对应论文
Principle-Evolvable Scientific Discovery via Uncertainty Minimization
视频简介
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。 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。 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。