用于高维物理系统中自主科学发现的苏格拉底式智能体

# 用于高维物理系统自主科学发现的苏格拉底式智能体

来源：https://arxiv.org/html/2606.26722

*杨杜1, 彭飞刘2, 一瑞臧1, 杨申3, 飞余1, 春蕾余4, 明浩刘1*

1. 中国科学院大学杭州高等研究院, 杭州, 310024, 中国
2. 中国科学院上海光学精密机械研究所, 上海, 201800, 中国
3. 同济大学医学院附属上海市肺科医院胸外科, 上海, 200433, 中国
4. ZODA

*通讯作者: [email protected]*

###### 摘要

科学发现的自动化已到达一个转折点。尽管人工智能系统现在能够以日益熟练的程度操作仪器、优化参数和生成假设，但它们大多仍是程序性的：它们执行的工作流程的科学目标、动作空间和成功标准均由人类设计者固定。相反，真正的自主科学需要认识自主——即根据实验证据构建、挑战和修正物理解释的能力。本文介绍AHOIS，一个多智能体AI科学家，它通过将苏格拉底式助产术嵌入闭环实验，作为实现认识自主的计算原理。一个专门的物理批评智能体通过结构化因果提问、物理约束检查、反例生成和证伪标准制定，对候选假设进行质询，将隐性且可能脆弱的推理转化为显式、可检验且可修正的机制模型。我们在一个真实的多模光纤光学平台上评估AHOIS，这是一个典型的高维物理系统，结合了复杂的波变换、间接检测、环境漂移和多模态采集。该系统在没有预设编码方案、分类器或散斑模型的情况下，自主提出并实验验证了随机干扰编码假设，发现了任务自适应稀疏测量策略，诊断了不同的失效模式（编码不稳定、荧光污染和探测器噪声），并将已发表的成像协议转化为在非原始配置上可执行的实验工作流。所发现的编码产生了16×16的测量，有效秩为56.9，在MNIST上分类准确率为76.97%，在Fashion-MNIST上为83.17%。受控消融实验表明，苏格拉底式质询显著提高了物理一致性、假设完整性、不确定性校准和下游实验计划的有效性。这些结果建立了一条从工作流自动化走向基于证据、自我修正的复杂物理环境中自主科学发现的原则性路径。

###### 关键词: 自主科学发现，多智能体系统，假设驱动实验，多模光纤成像，苏格拉底式推理，可信测量，人工智能科学

## 1 引言

科学发现并非执行固定的操作序列，而是随着证据积累不断重组问题、解释和实验的过程[1, 2]。研究者在观察、抽象、假设形成、实验干预和批判性修正之间反复移动。只有当测量能够支持或反驳对底层系统的解释时，它才获得科学意义[3]；同样，只有当假设的假设是显式的、其预测是可检验的、其失败条件是可识别的，它才具有科学实用性。因此，自动化科学发现需要的不只是更快的数据采集或参数优化[4, 5]。它需要一个能够维持对物理现实的演化模型、识别自身尚未理解之处、并选择能减少竞争解释之间不确定性的实验的人工系统[6, 7]。

最近大型语言模型和智能体系统的进展已开始自动化这一过程的多个实质性组成部分。语言模型被用于科学文献综合、假设生成、方案构建、代码开发、数据分析和手稿准备[6, 7, 8, 9, 10, 11, 12]。当连接模拟器、机器人实验室和科学仪器时，智能体还能执行实验程序、优化控制参数并根据测量结果更新决策[8, 9, 13, 14]。多智能体架构进一步将这些功能分配到专门的角色，使文献检索、规划、实验和分析在闭环中运行[15, 16, 17, 18, 19]。新兴框架如EvoMaster[17]、Science Earth[18]和EvoSci[20]展望了面向开放式发现的星球级自组织智能体生态系统。Aster已证明迭代程序改进可将发现速度提升一个数量级以上[21]，而OR-Agent引入了结构化树状研究工作流，明确管理分支假设探索和系统回溯[22]。MatClaw和AutoMOOSE则分别将智能体自动化扩展至材料探索和多物理场模拟[23, 24]。

随着这些系统从基于文本的辅助转向连接仪器的实验，自主性的含义变得更具挑战性。在许多当前演示中，智能体已在人类研究者定义的科学框架内运行：目标、干预空间、评估指标和解释路径均被预先指定。尚不明确的是，人工系统能否从模糊的实验证据中推断出哪个物理解释是可信的、哪些假设仍不确定、以及哪种干预能区分竞争机制[25, 26, 27]。这种区别揭示了自主科学面临的更深层挑战。一个系统可能熟练操作仪器，却仍基于错误的物理模型推理；可能产生流畅的假设，却未暴露其隐含假设；可能将实验失败解释为反对理论的证据，而实际原因却是校准漂移、探测器噪声或执行失误[28, 29, 30]。通用的自我反思或事后审查不足以解决这一问题，因为它们往往评估的是语言上的合理性，而非科学主张的因果和证据结构[31, 32]。

我们认为，从程序自主迈向认识自主，需要一种明确的机制来质询智能体如何知晓其所声称的知识。因此，我们引入苏格拉底式助产术作为自主科学推理的计算原理[33, 34, 35]。最近的多智能体辩论系统已表明，对抗性质询能够揭示隐含假设并增强假设生成[33, 34, 36]。在经典意义上，苏格拉底式探究的作用不是提供答案，而是通过有纪律的提问引导和精炼知识。在人工科学家中，这一原理可以通过要求提出的解释经受概念澄清、假设暴露、物理约束一致性检查、因果探究、反例检验、替代假设和证伪标准来操作化。其目标并非模仿哲学对话，而是将隐性且可能脆弱的推理转化为显式、可检验且可修正的机制模型。

基于复杂介质的高维光学系统为测试这一能力提供了严苛的环境。在散射介质和多模波导中，可控输入场经过多次散射、模式混合和干涉，转化为高维光学响应，通常（至少在局部）可用传输矩阵描述[37, 38, 39, 40]。这种转换使复杂介质具有独特的科学意义：相同的表观无序既可能降低常规成像质量，也能编码信息、实现波前控制并支持计算重建[41, 42, 39]。多模光纤是此类系统中紧凑且实验易访问的代表。数千个导模以依赖于校准的相位和幅度传播，将输入波前、物体相互作用和环境扰动转化为散斑状强度测量[43, 44, 45]。在此条件下，成功的运行不能简化为检索已知协议或优化单个标量目标。自主科学智能体必须确定测量到的波动反映的是有用的物理编码、不受控制的退相关、探测器噪声、模态特异性伪影还是执行失败，并必须选择能够区分这些竞争解释的干预。这种模糊性恰恰构成了科学智能体必须解决的认识问题。

本文介绍AHOIS，一个用于高维实验系统的苏格拉底式、基于物理的自主科学发现多智能体框架。AHOIS将科学假设形成、苏格拉底式物理质询、硬件抽象、系统完整性监测和定量推理分配到五个相互作用的智能体中。其定义性特征并非分工本身，而是假设生成智能体与苏格拉底物理智能体之间的认识循环。候选解释被迭代转化为结构化科学状态，包括提出的机制、物理假设、竞争解释、预测结果、区分性实验、不确定性估计和拒绝条件。这些状态随后被转化为在真实多模光纤平台上的可执行操作，所得测量结果返回推理循环以修正系统模型并决定下一实验。

我们通过一系列开放式程度递增的实验问题评估AHOIS。系统首先构建双模态多模光纤仪器的工作物理模型，并建立可靠运行所需的约束条件。然后，它提出并实验评估了物体依赖的相干背散射可作为高维随机干扰编码器（而非仅仅是成像干扰）的假设。基于后续证据，它识别了任务自适应稀疏测量策略，区分了编码不稳定、荧光和探测器噪声等失效模式，选择了相应的计算干预，并将已发表的重建原理迁移到非原始实验配置中。最后，受控消融实验隔离了苏格拉底式提问的贡献，表明澄清、因果探究和基于反例的质询改善了物理一致性、假设完整性、不确定性校准和下游计划的有效性。这些实验共同表明，多模光纤系统并非本框架的边界，而是一类更广泛的高维物理环境中的严苛实例。它们展示了结构化探究如何将一个智能体从科学工具的操作者转变为构建、挑战和修正实验基础物理解释的系统。

## 2 AHOIS：用于物理实验的苏格拉底式多智能体架构

AHOIS旨在分离自主实验中智力、物理和评估性组件，同时通过共享科学状态将它们耦合在一起（图1a）。每一步，该状态记录当前假设、其物理假设、提议的实验操作、预期观察、相关不确定性以及仪器返回的证据。因此，这些智能体并非以固定顺序的流水线方式运行，而是交换假设、可执行计划、完整性检查和分析结果，使得研究轨迹能随着实验证据的积累而修正。

（见图1标题）

**图 1: AHOIS多智能体架构与物理测试平台。**  
**a,** 五个功能分离的智能体通过共享科学状态协作。Boxue负责形成假设和实验计划；Gewu将计划转化为硬件可执行操作；Mingde监测系统完整性和数据有效性；Qiushi执行建模、重建和定量分析；Duzhi作为苏格拉底式物理批评者，质询Boxue的推理。  
**b,** 苏格拉底式助产术循环。Duzhi在人类监督下通过澄清、物理约束检查、因果探究和反例生成来挑战候选解释，揭示隐含假设和缺失的因果联系，而不直接规定科学结论。  
**c,** 用作实验测试平台的高维多模光纤光学平台。