科学发现旗舰工作
突破级
暂无讲解视频
核心要点
- 问题/背景
- 这篇论文针对 LLM scientific agents 的一个核心低效来源：很多系统在固定初始理论/先验下搜索假设，一旦 baseline theory 失败，就会在错误假设空间里浪费大量计算。
- 方法/机制
- PiEvo 的关键转向是从 hypothesis search 变成 principle evolution。系统把科学发现建模为 expanding principle space 上的 Bayesian optimization，而不是只在静态 hypothesis space 中做组合搜索。
- 结果/证据
- 方法上，PiEvo 结合 Information-Directed Hypothesis Selection via Gaussian Process 和 anomaly-driven augmentation：前者用不确定性最小化选择最有信息量的实验/假设，后者在异常结果出现时扩展和修订原则空间，使 agent 能调整自身理论世界观。
- 收录价值
- 收录价值在于它给自动科学发现提供了一个可复用的 discovery-control primitive：让 agent 在发现过程中更新抽象原则层，而不仅仅调整局部假设或实验参数。
论文摘要
PiEvo 将基于 LLM 的科学发现从搜索固定初始先验下的假设，转变为演化底层科学原理。它将发现视为在不断扩展的原理空间上的贝叶斯优化，通过高斯过程的信息引导假设选择与异常驱动的原理增强相结合，以完善代理的理论世界观。
英文原文
PiEvo reframes LLM-based scientific discovery from searching hypotheses under fixed initial priors to evolving the underlying scientific principles. It treats discovery as Bayesian optimization over an expanding principle space, combining information-directed hypothesis selection via Gaussian Processes with anomaly-driven principle augmentation to refine the agent's theoretical worldview.