论文页面 - 大型发现模型：基于实证的模型驱动开放式搜索

来源：https://huggingface.co/papers/2608.15669 作者：

,

,

,

,

,

,

,

,

,

,

摘要

循环式大型发现模型通过耦合生成式提议与贝叶斯非参数奖励代理，引导在分子、蛋白质和程序中进行不确定性感知的搜索。

科学发现通常涉及在庞大、结构化且开放的假设空间（如分子、蛋白质序列和计算机程序）中优化计算成本高昂的目标。生成模型（https://huggingface.co/papers?q=Generative%20model）（如大型语言模型 (LLMs)）为此类空间提供了表达性强的先验分布，但其似然度和自我评估在作为目标和校准认知不确定性的可靠代理方面存在不足，尤其是在面对超出观测数据分布的新候选时。我们提出大型发现模型（https://huggingface.co/papers?q=Large%20Discovery%20Model）（(LDM)），这是一种基于实证的循环架构（https://huggingface.co/papers?q=recurrent%20architecture），它将**生成模型（https://huggingface.co/papers?q=generative%20model）与贝叶斯非参数奖励代理（https://huggingface.co/papers?q=Bayesian%20non-parametric%20reward%20surrogate）**模型耦合。生成模型（https://huggingface.co/papers?q=generative%20model）负责提议并精炼候选设计，而代理模型则预测其性能并量化不确定性，从而产生一个不确定性感知价值（https://huggingface.co/papers?q=uncertainty-aware%20value），用于指导候选的生成、精炼和选择。**发现记忆（https://huggingface.co/papers?q=discovery%20memory）**和代理模型会随着每一个新的实验观测结果的到来而持续更新。我们在涵盖不同设计模态和目标的三个场景中评估了 LDM，包括神经网络训练、抗体设计（https://huggingface.co/papers?q=antibody%20design）和分子优化（https://huggingface.co/papers?q=molecular%20optimisation）。与仅使用 LLM 反思或在这些领域进行传统统计搜索相比，LDM 在验证集 BPB 上实现了 2.4 倍的更大降幅，在结合能上实现了 18.2% 的相对降低，并在分子多目标性能上获得了超过 60% 的相对增益。这些结果表明，LDM 可作为通用发现引擎，在开放式假设空间中进行高效搜索。

查看 arXiv 页面 (https://arxiv.org/abs/2608.15669)查看 PDF (https://arxiv.org/pdf/2608.15669)项目页面 (https://largediscovery.net/)GitHub5 (https://github.com/yzailab/Large-Discovery-Models)添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2608.15669)

在你的代理中获取此论文：

hf papers read 2608\.15669

还没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.15669 以从此页面链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.15669 以从此页面链接它。

引用此论文的空间 0

没有空间链接此论文

在空间的 README.md 中引用 arxiv.org/abs/2608.15669 以从此页面链接它。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从此页面链接它。