使用 大语言模型 进行多样化的科学假设搜索

大语言模型 (LLM) 在加速科学发现方面正在崛起，最近在高级任务中，例如生成有效的科学假设。然而，在许多发现环境中，目标并不是确定单一的最佳假设，因为验证可能充满噪音且成本高昂，而科学家可以从一组高质量的替代假设中受益，这些假设可以对冲下游的不确定性，从而获得最佳解决方案。然而，常用的进化搜索方法倾向于在假设生成中优先考虑优化而不是探索，而搜索过程中产生的选择压力会导致多样性崩溃。受这些限制的启发，我们将假设搜索制定为抽样问题，其目标是在固定的验证预算下有效地产生多样化的高质量假设。基于这个观点，我们提出了我们的进化框架，其灵感来自经典的并行回火算法，该算法在多个温度水平下搜索假设，并实现跨温度的原则性信息交换，以在不破坏收敛的情况下改进探索。在分子发现、方程发现和算法发现等领域，我们的方法在相同的验证预算下持续提高假设质量和多样性，并产生在更昂贵的下游计算验证下保持稳健的候选。