论文页面 - HypoEvolve：遗传算法使多智能体大语言模型发现科学假设

来源：https://huggingface.co/papers/2609.15938 作者：

,

,

,

,

,

,

,

,

,

,

,

摘要

科研智能体通过综合证据、评估提议和提出新解释来促进假设发现。近期系统将科研智能体与进化搜索相结合，通过批评、比较和修正来运作。然而，不同形式的智能体协作如何影响假设质量仍是一个未解难题。回答这个问题需要分离智能体的科学能力与其协作方式各自产生的效应。因此，框架必须保留智能体的科学职能，并支持假设的合并、修订和保留规则。基于这一视角，我们提出了HypoEvolve，它通过假设种群的连续迭代更新来显式化协作过程。具体而言，我们提出一种世代遗传算法来协调专门的大语言模型智能体，这些智能体整合机制性论证、重新考量假设，并评估证据与可测试性。每个世代明确规定科学判断和新提议如何重塑种群，使协作效应在假设质量上可直接检验。此外，我们围绕具有科学意义的假设设计评估方案，这些假设需解释所提议干预措施的作用机制。药物重定位将这些解释与靶点层面的生物声明相关联，并依据外部证据进行评估。具体地，我们采用DepMap和OpenTargets作为互补的外部评估指标，其依据涵盖实验、遗传和临床证据。在34种癌症类型中，HypoEvolve在两项指标上均优于六种基线方法，取得最高分数。DepMap选择性得分为0.171，而最强基线仅为0.115。相较于单次生成，其性能提升也可推广到未参与训练的癌症类型。HypoEvolve推进了自主科学的愿景：人工智能研究团队能够实现超越单一模型的发现能力。

查看arXiv页面 (https://arxiv.org/abs/2609.15938)查看PDF (https://arxiv.org/pdf/2609.15938)添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.15938)

引用本文的模型 0

无模型关联此论文

在模型README.md中引用 arxiv.org/abs/2609.15938 以从本页面链接。

引用本文的数据集 0

无数据集关联此论文

在数据集README.md中引用 arxiv.org/abs/2609.15938 以从本页面链接。

引用本文的空间 0

无空间关联此论文

在空间README.md中引用 arxiv.org/abs/2609.15938 以从本页面链接。

包含本文的收藏集 0

无收藏集包含此论文

将本文添加到收藏集 (https://huggingface.co/new-collection)以从本页面链接。