通过组合创新与多智能体迭代搜索策略增强科研想法生成

科学进步依赖于创新科研想法的持续产生。然而，科学文献的快速增长极大地增加了知识筛选的成本，使研究人员更难识别新的研究方向。尽管现有基于大语言模型（LLM）的方法在科研想法生成方面展现出潜力，但其产生的想法往往重复且缺乏深度。为解决这一问题，本研究提出了一种受组合创新理论启发的多智能体迭代规划搜索策略。该框架将迭代式知识搜索与基于LLM的多智能体系统相结合，通过反复交互来生成、评估和优化科研想法，旨在提高想法的多样性和新颖性。在自然语言处理领域的实验表明，所提方法在多样性和新颖性方面均优于现有最先进的基线方法。与来自顶级机器学习会议论文的想法进行进一步比较表明，生成想法的质量介于被接收论文和被拒收论文之间。这些结果表明，所提出的框架是一种有前景的方法，可用于支持高质量的科研想法生成。本文使用的源代码和数据集已在Github仓库公开：https://github.com/ChenShuai00/MAGenIdeas。演示地址为：https://huggingface.co/spaces/cshuai20/MAGenIdeas。