Hyra 2.0：自動化科学研究の次の一歩

3か月前、私たちは Hyra 1.0[^ref1] を公開した：汎用的な科学研究問題に向けた、極めてシンプルな agent ループである。公開から1週間後、オープンソースモデル Hy3 の駆動により、Hyra は加法組合せ論において50年以上未解決だった問題——和集合と差集合の最適指数——を解決した[^ref2]。これは!!#0080e6 国産オープンソースモデルが初めて数学の未解決問題を全自動で解決した!!ものである。

Hyra 1.0 の公開から11日後、OpenAI は次世代モデル Astra の内部バージョンが10個の長期未解決問題[^ref3]で新しい成果を上げたことを発表した。その後の2か月余りで、OpenAI はさらに Navier–Stokes ミレニアム問題の解答[^ref4]を発表し、内部モデルが产出した722編の数学手稿を公開した^ref5。AI による科学研究の自動化は疾走を続けている。

Hyra 1.0 の示したことは：明確な評価基準を持つ難問を AI に与え、ループで試行させれば、既存の最高記録を超えるチャンスがあるということだ。過去3か月間、コミュニティはこの路線に沿って探索を続け、大量の token を投入し、より多くの難問で新たな進展を収めた。

道がすでに開けた以上、私たちはむしろ前を見上げたい：自動化科学研究の次の一歩は何か？

• AI がすでに人類未解決の多くの難問を攻略できるようになったとき、科学研究のパラダイムはどこへ向かうのか？
• AI に、より経済的で持続可能な形で科学研究の問題を解かせるにはどうすればよいか？
• 現在も AI が解決できない難問が数多くあり、ボトルネックはどこにあるのか？

3つの問いは一見それぞれ別のことを指しているように見えるが、私たちの答えは同じ一つである：!!#0080e6 ツールのアップグレード!!。

近年、AI4Science は何度かパラダイムの革新を経験してきた：AlphaFold[^ref6]、AlphaEarth[^ref7]、AlphaGeometry[^ref8] に代表される、特定の問題向けのモデルやシステムから、AlphaEvolve[^ref9]、Hyra1.0[^ref1] などに代表される、汎用モデルが agent を駆動して科学問題を直接解決するパラダイムへ。Hyra2.0 はさらに一歩前進し、!!#0080e6 汎用 agent に科学ツールとモデルの研究開発・アップグレードに参加させる!!ことで、一度の研究開発の成果がその後の研究で繰り返し使われるようにしたい。

!12 図 1：問題を解くことからツールを作ることへ。上段は研究者が専用の科学モデルを研究開発する方式と、汎用 agent が科学問題を直接解決する方式の2つを示す；下段は Hyra 2.0 の目標を示す：agent が科学モデル、研究ワークフロー、ソフトウェアツールを研究開発・アップグレードし、成果がその後の研究で繰り返し使われるようにする。!

答えからツールへ

コミュニティで流行した!!#0080e6 問題演習とガチャ!!によるブレークスルーは確かに貴重だが、その成果は、次の研究の能力を自動的に高めるものではなく、知能の複利を形成するものではない。

ツールは異なる。!!#0080e6 一つのツールをアップグレードすれば、それを使うすべての下流タスクが恩恵を受ける!!。

荀子は言った：「君子は生まれつき異なるのではなく、物を巧みに借りるのである。」

ここでいう「物」とは、すなわちツールであり、人間または agent が繰り返し使用でき、一連のタスクの完了を助ける方法とシステムである。能力の担い手によって、ツールは大きく2種類に分けられる：

• !!#0080e6 シンボリックなツール!!は、方法をコード、ルール、またはフローとして明示的に表現する。例えば探索アルゴリズム、検証プログラム、データ処理パイプライン、研究ワークフローなどである。これらは「タスクをどう完了するか」を実行可能な操作や従うべき手順として書き記したものであり、これらの方法を改善すれば、ツールの能力と効率を変えることができる；
• !!#0080e6 パラメトリックなツール!!は、訓練を通じて、データとフィードバックから学んだ規則をモデルのパラメータに保存する。例えば、理解・生成・推論に用いられる汎用言語モデルや、タンパク質設計に用いられる科学モデルなどである。

ツールの最大の価値は!!#0080e6 再利用可能性!!にある。agent が呼び出すツールが良くなれば、行動空間と効率も向上し、各種ベンチマークでの性能と効率も向上する（例えば、より良いツールで Terminal Bench[^ref10] のタスクを解くなど）。

ツールには高階と低階の区別もある。数学を例に取ると：一つの問題を解けば、得られるのは一つの答えである；この種の問題の解答に適したワークフロー一式を作ったり、数学的推論のより強いモデルを訓練したりすれば、無数の問題の解決に恩恵をもたらすチャンスがある；さらにその上には、そのようなモデルを自動的に訓練できるシステムがある；最上位には、あらゆるタスクを自動的に実行できるシステム（AGI）がある。

上に行くほど、ツールは汎用的になり、恩恵を受けるタスクが増えるが、ツールの研究開発期間はより長く、開発環境はより複雑になり、開発難度もより高くなる。

ツールのアップグレードはすでに徐々に起こりつつある。8月末に混元 Hy4 preview を発表した際、私たちはブログ[^ref11]で、Hyra がそれと共に分子動力学力場モデルを加速させたことを示した；3週間後、Anthropic は Claude が4週間足らずで30以上のオープンソース生体分子モデルを加速させたことを明らかにした[^ref12]。ただし、フィードバック速度が速いため、既存のモデルを加速させるのは比較的容易である。より難しいのは、設計から実装、そして展開まで、!!#0080e6 エンドツーエンドで新しいモデルを作り上げること!!である。Hyra 2.0 が登ろうとしているのは、まさにこの一段難しい階段である：!!#0080e6 最もツールを創造できるシステムになること!!。

!!#0080e6 再帰的自己改善（RSI）!!の文脈では、大規模モデルの研究開発そのものに多くのツールが必要とされる：訓練インフラ、データ合成パイプライン、推論システムなどである。私たちは Hyra 2.0 にこれらのツールのアップグレードに参加させ、より良い次世代 Hy モデルの訓練を支援したい；そして次世代 Hy モデルは、また Hyra 2.0 の手にあるツールとなりうる。もしそうなれば、!!#0080e6 ツールが良く作られるほど、ツールを作るシステムはより強くなる!!；システムが強くなるほど、次のツールはまたより良く作れるようになる。

ツールのアップグレードのために生まれた Harness

ツールの研究開発は、問題を解くこととは異なる要求を Harness に課す。一つのモデルを訓練するには、方式設計、コード実装、訓練、評価、そして繰り返しの修正を経る必要があり、プロセス全体は数日から数週間に及ぶこともある。複数のプロジェクトを同時に進める場合には、実験の待機、リソース配分、研究方針の調整にも対処しなければならない。こうした作業は、際限なく延び続ける一つの agent session で管理することは難しい。

私たちはまず Hyra 2.0 をチームの!!#0080e6 実際の研究開発環境!!に接続した：企業版 WeChat で研究者と要件をすり合わせ、計算プラットフォーム上で実験を提出・管理し、コードリポジトリで変更を実装・検証し、実験の過程と成果物を保存する。大きな計算資源のコストや共有知識の同期を伴う操作には、対応する人間の承認が必要であり；すでに承認された作業はシステムが引き続き推進する。

研究業務は !!#0080e6 Overall!!、!!#0080e6 Mission!! と !!#0080e6 Worker!! の三層分担で行われる。Overall は人間の研究者とコミュニケーションを取り、プロジェクトの優先順位を管理し、リソースと重要な意思決定を調整する。各 Mission は一つの研究課題を長期的に担当し、研究の方向性の決定、実験の設計、Worker の組織を行い、結論に責任を負う。どの仮説に投資を続ける価値があるか、どの結果を再検証すべきか、いつ方向転換すべきかは、いずれも Mission が判断する。Worker はコードの読解、実験の実施、失敗原因の分析、新しいアイデアの提案を独自に行うことができ、Mission に異議を唱えることもできる。異なる Worker は異なるモデルを使うことができ、多様な分析と再検証の意見を提供する。

Mission は方向性の探索、実験の実行、独立した再検証を同時に手配できる。タスクが!!#0080e6 永続化キュー!!に入ると、スケジューリングシステムが優先度、依存関係、リソース上限に応じて Worker を起動する。あるタスクが訓練結果の待機中や人間による承認待ちの間も、他のタスクは継続できる。agent は次の起床時刻を設定することもでき、実験の完了やチェックポイントへの到達後に作業を再開する。

並行研究の進捗は !!#0080e6 Research Board!! に記録され、アイデア、実験による発見、証拠、重要な意思決定が含まれる。通常の進捗は他の agent が非同期に読む。対応必須の問題はメッセージで通知され、受け手は明示的に応答する必要がある。これにより、Worker は比較的長時間連続して作業でき、Mission も各研究ラインの進捗を確認でき、進行中の作業を頻繁に中断する必要がなくなる。

!12 図 2：Hyra 2.0 の Harness。Overall は目標とリソースを調整し、Mission は研究の方向性を担当し、Worker が探索と実験を行う。永続化キュー、協働記録、独立した再検証が長期研究を支える。下部にはプロジェクトの状態、agent の記憶、共有知識がそれぞれ保存され、再利用可能な手法は skill として整理され、後続のタスクに活用される。!

Worker が完了を報告する際には、コードのバージョン、実験結果、ログまたは生の実行軌跡などの証拠を添付する必要があります。Mission は実際の操作記録を確認し、実験が報告書の結論を裏付けているかを検査できます。独立した検証が必要な場合、システムは新しい !!#0080e6 Review Worker!! を起動し、元の問題と証拠に先に触れさせることで、実行者の結論による影響を減らします。再検証では誤りが見つかることもあれば、既存の証拠がより狭い範囲の結論しか支持していないことが判明することもあり、これらはすべてありのまま保持する必要があります。

工具開発のサイクルは長いものの、再利用できる経験は少なくありません。ある訓練の失敗で有効だったトラブルシューティングの方法は、その後の訓練に使えます。数値アライメント時に確立した検証プロセスは、他のモデルにも再利用できます。再検証で見つかった欠陥も、ツールチェーンの自動チェックに変えることができます。単発の試行が高額であるほど、こうした経験を残し、後続のプロジェクトが同じ試行錯誤を繰り返さないようにすることが重要になります。

このため、Hyra 2.0 はプロジェクトの状態、agent の作業メモリ、再利用可能な経験を分けて保存します。タスクキューと Research Board はプロジェクトの協力状態を記録し、各 agent は自分の階層化されたメモリを維持し、現在の認識、重要な仮定、排除済みのルート、次のステップの計画を保存します。タスクを超えて再利用できる経験は !!#0080e6 共有ナレッジベース Books!! に入ります。

Books 内の記録には、手法、理由、適用条件を記し、元の証拠を添付する必要があります。これらの経験は !!#0080e6 「観察」「検証済み」「規約」!! に分けられます。単発の実験で発見された現象は観察として、後続の研究の参考にできます。独立して再現された発見だけが、信頼できる根拠となれます。チームの行動に影響する規約には人間の確認が必要です。新しい証拠が出てくれば、既存の記録もそれに応じて修正されます。

プロジェクトの振り返りの際、移転可能な手法は skill として整理されます。例えば、モデルの訓練で蓄積された経験は、すでに一連の skill となっており、後続のタスクで利用されています。これらの skill 自体も Hyra 2.0 が作り出したツールであり、使用の中でさらに修正・改善されていきます。私たちが言う !!#0080e6 継続学習!! には、研究の中で見いだされた有効な手法を保存し、後続のプロジェクトが直接使えるようにするとともに、改善を続けることも含まれます。

初期の成果

Hyra 2.0 はすでに一連のツールの開発とアップグレードを完了しています。関連する成果は随時、 GitHub リポジトリで公開し、コミュニティによる検証と再利用に供します。

HyInv：50 ミリ秒で 128 本のタンパク質配列を設計

HyInv と、以下で紹介する HyPLM は、いずれも Hyra 2.0 がゼロから訓練したものです。これらは前述のあの一段の階段に相当します。つまり !!#0080e6 既存モデルの高速化から、完全な新モデルの開発へ!! という段階です。

HyInv はタンパク質設計における逆折り畳み問題を扱います。目的の骨格が与えられたとき、その構造に折り畳めるタンパク質配列を見つけるというものです。これは創薬、酵素工学、ライブラリ構築における基礎的なツールです。

HyInv はわずか !!#0080e6 196 万パラメータ!! のグラフニューラルネットワークです。その事前学習、教師ありファインチューニング、強化学習、推論最適化はすべて Hyra 2.0 が行いました。Hyra 2.0 はさらに、「まず下書きし、その後書き直す」という 2 段階のサンプリング手法を設計しました。

製薬業界で広く使われている ProteinMPNN[^ref13] と比較すると、HyInv が生成した配列は目標構造との一致度が高く、!!#0080e6 生成速度は 57 倍速い!!。

!12 図 3：HyInv と HyPLM-Flash の性能と速度の比較。左：横軸は 1 秒あたりの生成配列数、縦軸は設計品質（scTM）。右：横軸は推論スループット（千残基/秒）、縦軸は平均正規化評価スコア。いずれの図も右上ほど良い。円点の大きさはパラメータ数を表し、それぞれ対数スケール（左）と線形スケール（右）で描画している。!

HyPLM：ゼロから訓練した高効率なタンパク質言語モデル

タンパク質言語モデルは配列から規則を学習するもので、変異の影響の判定、タンパク質機能のアノテーション、タンパク質設計の補助に広く使われるツールです。この種のモデルは繰り返し呼び出されるため、訓練と推論の効率の改善は、多くの下流タスクに利益をもたらします。

Hyra 2.0 が訓練した HyPLM-Flash は 6.5 億パラメータで、累計 7260 億の訓練 token を使用しました。この使用量は ESM-2 650M[^ref14] の 0.73 倍、E1-600M[^ref15] と ESM C 600M[^ref16] の 5 分の 1 から 8 分の 1 です。比較対象の 12 個のタンパク質言語モデルの中で、!!#0080e6 HyPLM-Flash は推論速度が最速!! であり、!!#0080e6 35 個の評価タスクで平均第 3 位にランクインしました!!。

HyInv と HyPLM の開発の詳細は、技術レポートを通じて公開し、コミュニティの参考と再利用に供します。両モデルは agent から呼び出すこともでき、創薬などのタスクに参加できます。私たちは今後もこうした科学モデルの開発を続け、産業製薬の既存ツールを全面的にアップグレードしていきます。

HyFF：大規模分子シミュレーション向けの原子レベル基盤モデル

HyFF は分子シミュレーション向けの原子レベル基盤モデルで、原子の種類と座標を入力として、系のエネルギーと各原子に加わる力を予測し、機械学習力場として分子動力学シミュレーションを駆動できます。これにより、研究者は原子スケールで分子の運動と反応を追跡でき、創薬、酵素工学、材料開発のための基礎ツールとなります。

HyFF は 230 万から 12 億のパラメータ規模の 5 種類を提供し、いずれも大規模な量子化学計算データで訓練されており、83 種類の元素をカバーし、帯電系と開殻系をサポートします。各原子は自分の元素に対応するサブネットワークだけを呼び出すことで、モデルの容量を拡大しながら計算コストを制御しています。私たちは HyFF を 16 個の公開モデルと比較しました。!!#0080e6 5 つの HyFF モデルはすべて、評価における精度–速度のパレートフロンティア上に位置しています!!。HyFF はすでに実際のシミュレーションに使用されています。約 6 万原子のアクアポリン膜系を 100 ナノ秒シミュレーションし、水分子が一列に並んで一つずつチャネルを通過する様子を観察できました。4.6 万原子の酵素系では、選定した出発点から、!!#0080e6 完全な一連の結合切断・結合形成反応の過程!! が観察されました。

!12 図 4：HyFF と公開モデルの精度–速度比較。左はエネルギー予測誤差、右は力の予測誤差。横軸は 1 ステップの分子動力学シミュレーションの所要時間、縦軸は平均絶対誤差（MAE）で、左下ほど良い。緑の円点は 5 種類の規模の HyFF、その他のマークは公開比較モデル。!

HyProver：数学の探索を再利用可能なワークフローに組織化する

HyProver は、!!#0080e6 純粋数学の証明に向けた agent ワークフロー!! であり、高い token efficiency と強力な探索能力を維持します。システムは実行過程で、継続的に資料を検索し、手がかりを探し、問題を変換し、予想を提案し、事実を産出し、まるで実際の人間の数学者のように、組織的に難問の攻略を試みます。潜在的なルートを試みる過程で、システムは盲目的に「広げる」のではなく、token を効率的に利用し、問題を変換することで異なる数学分野を結び付けたり、自ら中間予想を提案したりして、promising な方向に沿って前進します。

HyProver はすでに多くの未解決の数学問題を完全に解決しています。その中で、私たちは数学者と協力して、すでに検証・整理を済ませた !!#0080e6 丘成桐氏の円周作用予想!! と !!#0080e6 五次元 Petty 等距点予想!![^ref17] の証明。

!12 図 5：HyProver の数学研究ワークフロー。研究 agent が中間予想を提出し、証明 Worker が証明の構築を試み、その後独立した LLM が新しいコンテキストで再確認する。未解決の予想と再確認を通過した補題は共有研究ノートに保存され、後者はその後の探索の前提として利用できる。!

HyQEC：新しい量子符号の構築と、厳密な符号距離の検証

量子誤り訂正では、複数の物理量子ビットで論理量子ビットを保護する必要がある。このオーバーヘッドをいかに削減するかは、量子符号研究の核心的な課題の一つである。Hyra 2.0 はこのために HyQEC を開発した。量子低密度パリティ検査符号（qLDPC）向けの!!#0080e6 構築・検証システム!!であり、新符号の構築、符号距離の探索、および正確な符号距離の証明をサポートする。

新符号の構築において、Hyra 2.0 は Split Pauli-CPM アルゴリズムを設計し、量子符号 $[488,123,22]$ を構築して厳密に検証した。その符号化効率指標 $kd^2/n$ は 122.0 に達し、非 CSS、検査重み 8 以下という条件のもとで、qLDPC Challenge[^ref18] の元の首位を!!#0080e6 約 48% 上回った!!。システムはさらに、複数の低オーバーヘッド量子符号を構築し、対応するパラメータ条件における既知の符号化オーバーヘッド記録を更新した。

符号距離の検証において、HyQEC は GPU 加速された探索アルゴリズムと、2 セットの独立した正確証明ツールを備えている。探索のスループットは、従来の 8 スレッド CPU ツールの !!#0080e6 8～55 倍!!に達した。既存の結果を再確認する際、元の首位の符号の符号距離上界を 95 から 86 に切り詰め、さらに!!#0080e6 ランキングの 187 個のエントリのうち 178 個について正確な符号距離の認証を完了した!!。

このツールセットは、研究者が新しい符号を探索する助けになると同時に、量子符号の比較や選別に信頼できる根拠を提供できる。私たちは今後 HyQEC を公開し、コミュニティで利用できるようにする予定である。

ロボットハンド：より効率的なロボット構造の自律的設計

ロボットハンドは、ロボットが物体を操作するための重要な道具である。従来の手法では通常、まず機械構造を決定し、その後に制御ポリシーを訓練する。しかし、指の配置や長さの違いも、ロボットの操作能力に影響を与える。Hyra 2.0 はこの探索をロボットのボディ設計にまで広げ、より良い機械構造を自律的に探索することを試みた。

手のひら内での物体回転タスクにおいて、Hyra 2.0 は独自に一種の特別な五指設計を発見しました。5 本の指が手のひらの中心を囲むように並び、短いものから長いものへと順に伸びており、まるでらせん階段のようです。私たちはこれを!!#0080e6 「旋梯ハンド（旋梯手）」!!と呼んでいます。興味深いことに、このハンドは初期テストでは目立った成果を上げておらず、回転速度は論文の最良設計[^ref19]より約 11% 遅いものでした。しかし、同等の予算でのポリシーファインチューニングを経ると、逆に逆転を果たしました。

より厳格な DR5 シミュレーション評価では、旋梯ハンドの回転速度は 3.277 rad/s に達し、同じくファインチューニングを経た論文の最良設計!!#0080e6 より 28.6% 速く!!、目標達成数は 21% 向上し、不安定化率も低くなりました。

この結果は、!!#0080e6 初期の性能が最も優れた機械構造が、必ずしも訓練後の性能において最も優れているとは限らない!!ことを示唆しています。現在のところ結果はシミュレーション環境に限られ、実機での検証はまだ行われていませんが、AI が自律的にロボットの構造と制御ポリシーを探索させる可能性を示しています。私たちは Hyra 2.0 のツール開発能力を、ソフトウェアやモデルからさらに物理世界へと広げたいと考えています。

!12 図 6：Hyra 2.0 が自律的に設計した「旋梯ハンド」と Dextra の構造およびシミュレーション性能の比較。左：House of Dextra[^ref19] の最良五指設計との構造比較；右：Dextra Baseline との物体回転比較。DR5 シミュレーション評価において、同じ予算でのポリシーファインチューニング後、Hyra Hand の平均回転速度は 28.6% 向上しました（3.28 vs. 2.55 rad/s）。!

香山：プロセッサ性能の向上と正確性検証の強化

香山[^ref20]は全工程オープンソースの RISC-V プロセッサプロジェクトです。Hyra 2.0 はこれをめぐって二つの作業、すなわち!!#0080e6 性能最適化と正確性検証!!に取り組み、このチップ設計ツールをアップグレードしました。

Hyra 2.0 は SPEC CPU2006[^ref21] ベンチマークテストで明らかになった複数の問題を修正しました。その他のチューニングと合わせて、香山の GHz あたりスコアの幾何平均は !!#0080e6 5.79%!!向上し、シングルコアの周波数は変わらず、面積は 0.3% 増加しました。公式のパフォーマンスダッシュボード[^ref22]に記録された過去の改善ペースから推定すると、この向上は公式チームの 2–3 か月分の改善成果にほぼ相当します。

Hyra 2.0 が新たに設計した fuzz テストは 7 つのバグを発見し、独立に発見された別の 3 つを合わせると、!!#0080e6 合計 10 個!!となり、いずれも公式の issue リストには存在しませんでした。さらに TLA+[^ref23] を用いた形式的検証を行い、!!#0080e6 マルチコアキャッシュコヒーレンシの反例!!を一つ発見し、関連する修正はオープンソースのラストレベルキャッシュ OpenLLC に貢献されました^ref24。

!12 図 7：Hyra 2.0 における量子誤り訂正とプロセッサ開発のツールアップグレード。左：HyQEC が量子低密度パリティ検査符号を構成し、上下界の一致によって正確な符号距離を認証；右：香山プロセッサをめぐる性能チューニングと正確性検証を行い、発見された問題を設計の改良に活用。!

次世代 Hy モデル：大規模モデル開発の現場へ

混元（Hunyuan）内部でも、Hyra 2.0 は次世代 Hy モデルのアップグレードに参加しています。例えば：

• !!#0080e6 事前学習!!： 学習インフラの最適化、新たな学習技術の実験検証への参加、提案から実験結果の獲得までの時間の短縮。
• !!#0080e6 事後学習!!： 自動化データ合成パイプラインの構築により、Hyra を高品質な学習データの生成と処理に参加させる。
• !!#0080e6 推論!!： 実際に使用される推論イメージとシステムを最適化し、デプロイコスト、ならびに学習・評価・大規模実験におけるオーバーヘッドを削減する。

私たちは、Hyra が開発ツールを改良することでより優れた Hy モデルの訓練を助け、さらに強力なモデルとより優れたツールによって、次のツール開発とモデルの反復を進めていくことを目指しています。

冒頭の 3 つの問いに戻る

科学研究はどのように変化するのか？ 私たちは、AI の貢献が具体的な問題を解くことから、!!#0080e6 一連の問題に対する研究能力を高めること!!へと広がっていくと考えています。一つの研究の成果を測る際には、どのような答えを得たかだけでなく、その後の研究に何を残したかにも目を向けるべきです。一つの証明ワークフロー、一つの科学モデル、あるいは一つの信頼できる検証方法。ツールが汎用的であるほど、支援できる研究は多くなります。

AI による科学研究をより経済的で持続可能なものにするには？ 開発ツール自体は高額になる可能性がありますが、この投資はその後の多くのタスクで共同負担できます。より速いモデルは呼び出しごとのオーバーヘッドを減らし、より良いワークフローは繰り返しの試行錯誤を減らし、skill として蓄積された経験はその後のタスクで同じ回り道をしなくて済むようにします。!!#0080e6 一度の改善の価値は、繰り返しの使用の中で絶えず蓄積されていきます!!。

当面は解決できない問題にはどう対処するか？ まず制約がどこから来ているのかを突き止める：モデルの能力不足か、検索効率の不足か、それとも検証や実験のフィードバックが遅すぎるのか？こうした具体的な制約は、次のラウンドのツール開発の目標になり得る。元の問題はすぐに解けるとは限らないが、今回の探索ではできる限り!!#0080e6 再利用可能な手法とツールを残す!!ようにし、次の試みがより良い出発点を持てるようにすべきだ。

私たちは願っている、!!#0080e6 今日の研究成果が、明日の研究ツールとなることを!!、それによって科学のフロンティアが加速的に拡大されることを。

[^ref1]: 腾讯混元（Tencent Hunyuan）、Hyra 1.0、汎用科学研究問題向けの自動化研究フレームワーク紹介：https://hy.tencent.com/research/hyra

[^ref2]: Haowei Lin と Shanda Li、「総和集合と差分集合の関係における最適な指数を確定させる」、和集合と差集合の最適指数に関する論文：https://arxiv.org/abs/2607.27199

[^ref3]: OpenAI、「数学と理論計算機科学における10の進展」、数学と理論計算機科学の未解決問題におけるモデルの研究進展の紹介：https://openai.com/index/ten-advances-in-mathematics/

[^ref4]: OpenAI、「ナビエ–ストークス・ミレニアム賞問題について」、Navier–Stokes ミレニアム問題に関する研究記事：https://openai.com/index/navier-stokes-solution/

[^ref6]: John Jumper ほか、「AlphaFoldによる高精度なタンパク質構造予測」、Nature（2021）に発表された AlphaFold 論文：https://www.nature.com/articles/s41586-021-03819-2

[^ref7]: Google DeepMind、「AlphaEarth Foundationsが前例のない詳細さで地球の地図作成を支援」、AlphaEarth Foundations の公式紹介：https://deepmind.google/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/

[^ref8]: Trieu H. Trinh ほか、「人間のデモンストレーションなしでオリンピックレベルの幾何学問題を解く」、Nature（2024）に発表された AlphaGeometry 論文：https://www.nature.com/articles/s41586-023-06747-5

[^ref9]: Google DeepMind、「AlphaEvolve: 高度なアルゴリズムを設計するためのGemini搭載コーディングエージェント」、公式技術ブログ：https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

[^ref10]: Mike A. Merrill ほか、「Terminal-Bench: コマンドラインインターフェースにおける難しい現実的タスクでのエージェントのベンチマーク評価」、ターミナル環境における現実的で複雑なタスクに対するエージェント評価ベンチマーク：https://arxiv.org/abs/2601.11868；ベンチマークのホームページ：https://www.tbench.ai/

[^ref11]: 腾讯混元、Hy4 preview、本文で引用しているモデル発表ブログ：https://hunyuan.tencent.com/research/hy4-preview

[^ref12]: Anthropic、「How Claude is uplifting biomolecular modeling」、Claudeが生物分子モデリングの加速に参加したことを紹介する公式研究記事：https://www.anthropic.com/research/claude-uplifts-biomolecular-modeling

[^ref13]: Justas Dauparas ら、「「ProteinMPNNを用いたロバストな深層学習ベースのタンパク質配列設計」、Science（2022）に発表された ProteinMPNN 論文：https://www.science.org/doi/10.1126/science.add2187

[^ref14]: Zeming Lin ら、「「言語モデルによる原子レベルのタンパク質構造の進化スケール予測」、Science（2023）に発表された、ESM-2 を紹介する論文：https://www.science.org/doi/10.1126/science.ade2574

[^ref15]: Profluent、「「E1: 検索拡張型タンパク質エンコーダモデル」、E1 タンパク質エンコーダモデルの研究論文：https://www.biorxiv.org/content/10.1101/2025.11.12.688125v1。E1-600M の公式紹介を含む：https://www.profluent.bio/showcase/e1

[^ref16]: EvolutionaryScale、「「ESM Cambrian: 教師なし学習によるタンパク質の謎の解明」、ESM C 600M の公式モデル紹介を含む：https://www.evolutionaryscale.ai/blog/esm-cambrian

[^ref17]: C. M. Petty、「「ミンコフスキー空間における正三角形集合（Equilateral Sets）」、Minkowski 空間における等距点集合に関する原著研究、Proceedings of the American Mathematical Society、29(2): 369–374（1971）に発表：https://doi.org/10.1090/S0002-9939-1971-0275294-8

[^ref18]: Unitary Foundation、「QEC Challenge / qLDPC Challenge、量子誤り訂正符号のチャレンジ、リーダーボードおよび符号距離検証の公式プロジェクト：https://github.com/unitaryfoundation/qldpc-challenge

[^ref19]: Kehlani Fay ら、「「House of Dextra: 滅多にない器用なハンドのためのクロスボディ協同設計」、ICLR 2026 に発表された、巧手ハンドの構造と制御方策の協調設計に関する研究：https://arxiv.org/abs/2512.03743

[^ref20]: OpenXiangShan、「XiangShan（香山）、オープンソースの高性能 RISC-V プロセッサプロジェクト：https://github.com/OpenXiangShan/XiangShan

[^ref21]: Standard Performance Evaluation Corporation（SPEC）、「SPEC CPU2006、プロセッサ、メモリサブシステムおよびコンパイラの性能評価ベンチマークの公式説明：https://www.spec.org/cpu2006/

[^ref22]: OpenXiangShan、「XiangShan Dashboard、香山プロジェクトの公式性能ダッシュボード：https://dashboard.xiangshan.cc/

[^ref23]: Leslie Lamport、「TLA+、並行および分散システムを記述・検証するための形式仕様言語。著者のホームページとツール資料：https://lamport.azurewebsites.net/tla/tla.html