超越优化：探索自主实验中的新颖发现
机器学习
2025-08-29 v1 材料科学
摘要
自主实验（AEs）正通过将人工智能与自动化实验平台集成来变革科学研究的进行方式。当前的AEs主要聚焦于针对预定义目标进行优化；虽然加快了这一目标，但这种方法限制了对意外或未知物理现象的发现。本文引入一种新框架INS2ANE（Integrated Novelty Score-Strategic Autonomous Non-Smooth Exploration），以增强自主实验中新颖现象的发现。该方法集成了两个关键组件：（1）一种新颖评分系统，用于评估实验结果的独特性；（2）一种战略抽样机制，即使在传统标准下看起来不那么有前景的区域，也会促进对 underrepresented 区域的探索。我们在一个已知基准的预收集数据集上进行了验证，包含图像-光谱对。我们进一步在自主扫描探针显微镜实验中实现了该流程。INS2ANE显著增加了探索现象的多样性，与常规优化程序相比，提高了发现此前未观察到的现象的可能性。这些结果表明，AE有望增强科学发现的深度；结合AE提供的效率，这一方法有望通过同时导航复杂的实验空间来发现新现象，从而加速科学研究。
引用
@article{arxiv.2508.20254,
title = {Beyond Optimization: Exploring Novelty Discovery in Autonomous Experiments},
author = {Ralph Bulanadi and Jawad Chowdhury and Funakubo Hiroshi and Maxim Ziatdinov and Rama Vasudevan and Arpan Biswas and Yongtao Liu},
journal= {arXiv preprint arXiv:2508.20254},
year = {2025}
}