ResearchEVO：面向自动化科学发现与文档的端到端框架
人工智能
2026-04-08 v1 最优化与控制
摘要
科学突破中常见的两个阶段模式是：初始的无向实验阶段会产生意外发现，随后是一种复盘阶段，用以解释该发现为何有效，并将其置于现有理论之中。我们提出了 ResearchEVO，这是一个端到端的框架，计算性地实现了发现后解释的范式。进化阶段采用 LLM 指导的双维共演进——同时优化算法逻辑和整体架构——以仅依据适应度搜索代码实现的空间，而无需理解其产生的解决方案。随后，写作阶段会获取表现最佳的算法，通过句子级检索增强生成（RAG）配以显式反幻觉验证和自动化实验设计，自动生成完整的、可发表的科研论文。据我们所知，ResearchEVO 是首个涵盖整个管道端到端的系统：没有任何既有工作能够联合进行原则化的算法演化和文献导向的科学文档。我们在两个跨学科科学问题上对该框架进行了验证——分别使用真实的 Google 量子硬件数据进行量子纠错，以及物理信息神经网络。在两种情况下，进化阶段发现了尚未在相应领域文献中提出的人类可解释算法机制。 Writing 阶段自主生成了可编译的 LaTeX 论文，通过 RAG 将这些盲目发现正确地嵌入现有理论， citation 数量为零。
引用
@article{arxiv.2604.05587,
title = {ResearchEVO: An End-to-End Framework for Automated Scientific Discovery and Documentation},
author = {Zhe Zhao and Haibin Wen and Jiaming Ma and Jiachang Zhan and Tianyi Xu and Ye Wei and Qingfu Zhang},
journal= {arXiv preprint arXiv:2604.05587},
year = {2026}
}