MOOSE-Chem3：通过模拟实验反馈实现实验引导的假设排序
计算与语言
2025-10-28 v3 人工智能
计算工程、金融与科学
摘要
假设排序是自动化科学发现中的关键任务，尤其在成本高昂、吞吐量受限的自然科学领域。当前方法侧重实验前排序，仅依赖语言模型推理，缺乏经验反馈。我们提出实验引导排序范式，基于来自先前测试的反馈来优先排序假设。由于实际实验的不可行，我们提出基于领域特定概念的模拟器，模型将假设性能作为接近隐藏真实答案的相似度函数，受噪声扰动。该模拟器在124个具有实验报告结果的假设上进行验证，与真实结果一致的趋势对齐。虽然存在偏差，但它们模仿湿实验室噪声，促进更稳健的排序策略。我们将实验引导排序建模为序列决策问题，提出基于in-context强化学习(ICRL)框架。我们的LLM策略将假设分解为功能元素，按机制角色进行聚类，并基于反馈优先排序重新组合。实验表明，我们的方法显著优于实验前基线和强烈的消化实验。我们的工具包包括模拟器和ICRL框架，使对实验引导排序的系统性研究成为可能，策略作为强有力的概念证明。
关键词
引用
@article{arxiv.2505.17873,
title = {MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback},
author = {Wanhao Liu and Zonglin Yang and Jue Wang and Lidong Bing and Di Zhang and Dongzhan Zhou and Yuqiang Li and Houqiang Li and Erik Cambria and Wanli Ouyang},
journal= {arXiv preprint arXiv:2505.17873},
year = {2025}
}