基于不确定性最小化的原理可演化科学发现
机器学习
2026-02-09 v1 人工智能
摘要
大型语言模型（LLM）驱动的科学智能体已加速科学发现，但因依赖固定初始先验而存在显著效率低下。现有方法主要在静态假设空间内运作，限制了新现象的发现，导致基线理论失效时产生计算浪费。为此，我们提出将注意力从搜索假设转向演化底层科学原理的思路。我们提出了 PiEvo（Principle-Evolvable）框架，将科学发现建模为对扩张原理空间的贝叶斯优化。通过集成基于高斯过程的信息导向假设选择机制及异常驱动的增强机制，PiEvo 使智能体能够自主精炼其理论世界观。跨四个基准测试的评估表明，PiEvo (1) 实现了最高 90.81%~93.15% 的平均解质量，较最新方法提升 29.7%~31.1%；(2) 通过显著降低样本复杂度优化紧凑原理空间，实现收敛步骤提升 83.3%；(3) 在 diverse scientific 领域和多种 LLM 主干模型间保持稳健性能。
引用
@article{arxiv.2602.06448,
title = {Principle-Evolvable Scientific Discovery via Uncertainty Minimization},
author = {Yingming Pu and Tao Lin and Hongyu Chen},
journal= {arXiv preprint arXiv:2602.06448},
year = {2026}
}