跨不同科学领域的人工智能发现的结构化扩展

科学发现通常需要多次提出、测试和完善候选解决方案。语言模型可以越来越多地参与这些循环，但仅仅生成更多尝试并不能确保进展：并行搜索可能会相互重复，迭代细化可能会陷入不良方向。因此，核心挑战不仅是扩大人工智能驱动的发现规模，还在于构建这种规模，以便评估信号随着时间的推移而复合。在这里，我们介绍 SimpleTES（简单测试时评估驱动的扩展），这是一个框架，专注于人工智能发现循环的结构化扩展、跨独立轨迹组织评估器查询、迭代细化、本地候选选择以及评估历史的选择性重用。 SimpleTES 借鉴科学界的结构特征，使用单一开源 GPT-OSS 模型针对从量子物理和天文学到生物学、人工智能和数学等不同科学领域的 28 个开放式问题建立新的最先进的解决方案。其中包括量子电路编译开销减少 24.5%、深空轨迹推进成本降低高达 23%、套索路径求解器速度提高 2.17 倍、误差降低 8.5% 的全脑神经活动预测器、报告的最快 TriMul 内核以及超越人类或人工智能先前记录的新数学结构。我们通过为每次尝试分配其帮助产生的轨迹的最终结果，进一步对模型进行后训练以进行长期发现。这提高了训练和数学问题的表现，进一步推进了前沿。这些结果共同确立了结构化扩展作为推进人工智能科学发现的通用机制。