基于蒙特卡洛纳什均衡自优化树的科学发现迭代假设生成
计算与语言
2025-03-26 v1
摘要
科学假设生成是一项根本具有挑战性的任务，需综合创新且经验导向的见解。传统方法依赖人类直觉与领域专家知识，而纯粹依赖大语言模型（LLM）的方法往往难以产生既具创新性又可靠的假设。为此，我们提出蒙特卡洛纳什均衡自优化树（Monte Carlo Nash Equilibrium Self-Refine Tree，MC-NEST），一种新型框架，将蒙特卡洛树搜索与纳什均衡策略相结合，以迭代细化和验证假设。MC-NEST通过自适应抽样策略在探索与开发之间实现动态平衡，优先考虑高潜力假设，同时保持搜索空间的多样性。我们通过多个领域的全面实验展示了MC-NEST的有效性，包括生物医学、社会科学和计算机科学。在社会科学、计算机科学和生物医学数据集上，MC-NEST分别在新颖性、清晰性、显著性和可验证性指标上获得平均分2.65、2.74和2.80（满分3分），显著优于基于提示的领先方法（分别为2.36、2.51和2.52）。这些结果凸显了MC-NEST在跨领域生成高质量、经验导向假设方面的能力。此外，MC-NEST促进了结构化的人类-人工智能协作，确保LLM辅助而非取代人类创造力。通过解决迭代细化和探索-开发平衡等关键挑战，MC-NEST为自动化假设生成树立了新标杆。此外，MC-NEST的伦理设计实现了负责任的AI应用，强调假设生成中的透明度和人类监督。
引用
@article{arxiv.2503.19309,
title = {Iterative Hypothesis Generation for Scientific Discovery with Monte Carlo Nash Equilibrium Self-Refining Trees},
author = {Gollam Rabby and Diyana Muhammed and Prasenjit Mitra and Sören Auer},
journal= {arXiv preprint arXiv:2503.19309},
year = {2025}
}