论文
DN-Hypo-Pipeline：使用LLM生成假说的AI驱动工作流
DN-Hypo-Pipeline: An AI-Driven Workflow for Generating Hypotheses using Large Language Models and Scientific Explanations
摘要
现代人工智能擅长预测，但无法解释。从大型语言模型到人工智能科学系统，今天的机器通过重新组合人类文献中已经存在的模式来回答问题，但它们无法推理出为什么某种现象必须从基本原理中产生，尽管科学发现的核心是解释，而不是预测。在这里，我们问科学解释的结构是否可以操作来指导机器如何生成假设。我们引入了 DN-Hypo-Pipeline，一个采用分层解释理论支架的假设生成框架：亨佩尔的演绎法理 (DN) 模型提供了假设的输出形式和演绎有效性，萨尔蒙的因果过程说明提供了在何处寻找支配规律的组织约束，而阿姆斯特朗将规律视为共相之间关系的观点提供了从现象的构成过程到可能与之相关的规律的桥梁。该框架不是搜索已写的内容的空间，而是搜索支配现象的原则的空间：给定一个解释，它抽象出现象形成过程中实例化的普遍性，检索与这些普遍性相关的规律，并演绎地重建一个新的、可测试的解释。通过数据科学模型的评估以及大语言模型和人类专家的判断，通过这种原则性推理产生的假设明显优于直接提示产生的假设。至关重要的是，我们将两个得分最高的假设转化为新颖的算法，一种可以降低 Transformer 的理论复杂性，而性能损失却很小，另一种则可以用更少的参数实现有竞争力的精度。