通过组合创新和多智能体迭代搜索策略增强研究创意的产生

科学的进步取决于创新研究思想的不断产生。然而，科学文献的快速增长大大增加了知识过滤的成本，使研究人员更难识别新的方向。尽管现有的基于 大语言模型 (LLM) 的方法在研究想法生成方面显示出前景，但它们产生的想法往往是重复的且缺乏深度。为了解决这个问题，本研究受组合创新理论的启发，提出了一种多智能体迭代规划搜索策略。该框架将迭代知识搜索与基于LLM的多智能体系统相结合，通过反复交互生成、评估和细化研究想法，以提高想法的多样性和新颖性。自然语言处理领域的实验表明，所提出的方法在多样性和新颖性方面都优于最先进的基线。与顶级机器学习会议论文中得出的想法的进一步比较表明，生成的想法的质量介于接受和拒绝的论文之间。这些结果表明，所提出的框架是支持高质量研究想法生成的一种有前途的方法。本文使用的源代码和数据集可在 Github 存储库上公开获取：https://github.com/ChenShuai00/MAGenIdeas。该演示可在 https://huggingface.co/spaces/cshuai20/MAGenIdeas 获取。