基于演化代理网络的假设探索
人工智能
2025-10-13 v1 机器学习
摘要
大规模科学数据集——涵盖健康生物库、细胞图谱、地球再分析等——为无特定研究问题约束的探索性发现创造了机会。我们称之为假设探索：通过持续跨越广阔且复杂假设空间的探索寻找洞见的累积过程。为支持这一过程，我们引入了 AScience 框架，将发现建模为代理、网络与评估规范的相互作用，实现方式为 ASCollab——一个由 LLM 驱动的分布式研究代理系统，具备异构行为。这些代理自组织为演化网络，持续在共享评估标准下生产和同行评审发现。实验表明，这种社会动态使结果在多样性-质量-新颖性边界上积累专家评估结果，包括已知生物标志物的复现、已知通路的延伸以及新治疗靶点的提议。尽管湿实验验证仍是必不可少的，但我们在癌症队列上的实验表明，社会结构化的代理网络能够以规模化方式维持探索性假设探索。
关键词
引用
@article{arxiv.2510.08619,
title = {Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents},
author = {Tennison Liu and Silas Ruhrberg Estévez and David L. Bentley and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2510.08619},
year = {2025}
}