LLM's voor het genereren van eenheidstests Dit is een geweldige enquête over het gebruik van LLM voor het genereren van eenheidstests. Het stelt een taxonomie voor op basis van de levenscyclus van het genereren van eenheidstests, die het proces verdeelt in een generatieve fase voor het creëren van testartefacten en een kwaliteitsborgingsfase voor het verfijnen ervan. Paper: Leer hoe je effectieve AI-agenten kunt bouwen in onze academie:

NIEUWE Enquête: AI Agents voor Wetenschappelijke Ontdekking. Dit is een van de meest opwindende gebieden die we ingaan naar 2026. (boek dit een) Dit nieuwe onderzoek introduceert SAGA (Scientific Autonomous Goal-evolving Agent), een bi-level framework waarbij de buitenste lus automatisch doelstellingen evolueert terwijl de binnenste lus oplossingen optimaliseert. Waarom is dit paper zo belangrijk? Wetenschappelijke ontdekking vereist iteratie over wat te optimaliseren, niet alleen hoe te optimaliseren. Het automatiseren van deze doelstellingsevolutielus sluit een kloof die de meeste recente AI-gedreven wetenschappelijk onderzoek heeft gebottlenecked. In plaats van doelontwerp als een eenmalige menselijke beslissing te beschouwen, maakt SAGA het een dynamisch, autonoom ontdekkingsproces. Een op LLM gebaseerde planner stelt nieuwe doelstellingen voor. Een implementator zet ze om in uitvoerbare scorefuncties. Een optimizer zoekt naar oplossingen. Een analist onderzoekt de resultaten en identificeert waar doelstellingen verfijning nodig hebben. SAGA opereert op drie automatiseringsniveaus: > co-pilootmodus, waar wetenschappers samenwerken aan doelstellingsevolutie > semi-piloot waar wetenschappers alleen feedback geven aan de analist > autopilot waar zowel analyse als planning volledig geautomatiseerd zijn Resultaten over vier wetenschappelijke domeinen: In antibioticumontwerp voor medicijnresistente K. pneumoniae, bereikt SAGA de beste balans tussen biologische activiteit en medicijn-achtige eigenschappen. Terwijl baselines ofwel falen in het optimaliseren van activiteit of hoge activiteit bereiken met chemisch onrealistische moleculen, voegt SAGA dynamisch doelstellingen toe zoals synthese-penalties en metabolische stabiliteitsfilters op basis van het analyseren van populatieniveau trends. In materiaald ontwerp vond SAGA 15 nieuwe stabiele structuren voor permanente magneten met een laag risico in de toeleveringsketen binnen 200 DFT-berekeningen, wat MatterGen (11 structuren) overtreft. Voor superharde materialen bevat meer dan 90% van de voorgestelde kristallen lichte elementen die essentieel zijn voor hardheid, in overeenstemming met experimentele bevindingen. In DNA-sequentieontwerp overtreft SAGA baselines op celtype-specifiek enhancerontwerp met tot 176%, met 48% verbetering in specificiteit en 47% in motievenverrijking. In chemisch procesontwerp identificeert SAGA dat optimaliseren alleen voor productzuiverheid leidt tot onnodig complexe flowsheets, en voegt dan autonoom doelstellingen toe voor kapitaalkosten en materiaalfloowintensiteit. Paper: Leer effectieve AI Agents te bouwen in onze academie: