论文页面 - 基于迭代元反思的自主科学发现

来源：https://huggingface.co/papers/2607.01131

摘要

一种自主科学发现框架利用大型语言模型和动态代码生成，在保持统计严谨性的同时，通过元反思和多模态数据处理进行开放式研究。

自主科学发现（https://huggingface.co/papers?q=Autonomous%20scientific%20discovery）系统有望通过自动化假设生成（https://huggingface.co/papers?q=hypothesis%20generation）与验证过程来加速科研。然而，现有系统多在受限搜索空间内运作，或需预设研究问题，限制了其真正开放式探究的能力。此外，尽管它们能迭代生成假设，但普遍缺乏明确综合自身累积发现以揭示复杂互联现象的能力。我们提出 DiscoPER，这是一种由大型语言模型驱动的自主框架（https://huggingface.co/papers?q=large%20language%20model-powered%20framework），能够通过动态生成和执行代码，在无需预先指定研究目标的情况下，对数据集进行开放式探索。为确保严格的科学有效性，每个提出的发现都必须通过统计检验（https://huggingface.co/papers?q=statistical%20testing）。为克服孤立搜索的局限性，该框架引入了一种二阶推理（https://huggingface.co/papers?q=second-order%20reasoning）机制，定期分析自身积累的发现。通过将先前的发现视为经验数据，DiscoPER 能识别结构模式、混淆因素和认知缺口，主动将假设探索引导至搜索空间中未知的区域。通过整合工具使用，系统进一步扩展了搜索空间——能够无缝处理并提取来自图像等多模态来源（https://huggingface.co/papers?q=multimodal%20sources）的有用信息，从而探索超越结构化元数据的假设。在 iNatDisco（https://huggingface.co/papers?q=iNatDisco）——一个具有从同行评审文献中获取的模式级真实标注（https://huggingface.co/papers?q=pattern-level%20ground%20truth）的新型多模态生态知识基准——上进行评估，DiscoPER 以 72.7% 的假设支持率恢复了 9 个已知模式中的 8 个，超越了经典的因果发现（https://huggingface.co/papers?q=causal%20discovery）和基于 LLM 的基线方法（https://huggingface.co/papers?q=LLM-guided%20baselines）。消融实验表明，DiscoPER 能随数据量增加而扩展，并证实了二阶元反思（https://huggingface.co/papers?q=meta-reflection）的益处。

查看 arXiv 页面（https://arxiv.org/abs/2607.01131）查看 PDF（https://arxiv.org/pdf/2607.01131）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.01131）

在您的代理中获取此论文：

hf papers read 2607\.01131

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

引用此论文的模型0

暂无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.01131 以在此页面建立链接。

引用此论文的数据集0

暂无数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.01131 以在此页面建立链接。

引用此论文的 Spaces0

暂无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.01131 以在此页面建立链接。

包含此论文的收藏集0

暂无包含此论文的收藏集

请将此论文添加至收藏集（https://huggingface.co/new-collection）以在此页面建立链接。