LLM-AutoSciLab：通过 LLM 主动实验发现的闭环科学发现
机器学习
2026-05-26 v1 人工智能
摘要
科学发现是一个闭环过程，其中假设引导数据获取，观察结果细化假设空间。然而，大多数方法将发现简化为对固定数据集的监督学习，受限于的观察只能支持多个局部符合但难以概括的可能机制。因此，关键挑战在于选择信息丰富的观察来消除不确定性，将焦点从静态推断转向自适应数据获取。为此，我们提出 LLM-AutoSciLab，一个将假设生成与假设条件实验选择相结合的闭环框架，进而进行机制细化。与在被动收集的数据上拟合模型不同，LLM-AutoSciLab 迭代提出合理的假设，选择以区分或细化这些假设的有信息实验，并根据所得证据更新其状态。为评估具有动态闭环科学发现的主动数据获取能力，我们引入 ActiveSciBench，包含两个数据集：ActiveSciBench-Chem 包含 57 个酶动力学任务，ActiveSciBench-GRN 包含 45 个基因调控网络任务。这些数据集将发现建模为受预算约束的过程，要求进行自适应实验设计、变量选择和恢复真实机制。跨越 NewtonBench、ActiveSciBench-Chem 和 ActiveSciBench-GRN，LLM-AutoSciLab 在所有数据集上均优于先前方法，NewtonBench 和 ActiveSciBench-Chem 分别实现 67.6% 和 35.1% 的符号精度，ActiveSciBench-GRN 实现 31.1% 的精确图恢复。此外，基于假设的实验方法在样本效率上优于最强的竞争基线 2-5 倍。代码和数据已公开于：https://github.com/scientific-discovery/LLM-AutoSciLab
引用
@article{arxiv.2605.24043,
title = {LLM-AutoSciLab: Closed-Loop Scientific Discovery via Active Experimentation with LLMs},
author = {Sanchit Kabra and Nikhil Abhyankar and Saaketh Desai and Prasad Iyer and Chandan K Reddy},
journal= {arXiv preprint arXiv:2605.24043},
year = {2026}
}