分子性质预测的闭环自动研究：发现并认证可泛化改进

闭环自动研究把自动化机器学习从固定数据集拟合扩展到改变研究工作流——语言模型智能体编辑表示与模型代码并获取外部证据。分子性质预测横跨许多小端点。我们追问：该动作空间产生的改进能否泛化到选择它们的验证信号之外。我们在文件级消融锁下隔离三条自动研究轴——特征、模型与外部证据——把每个增益归因到单一轴、对照强基线。跨三个基准套件的36个端点——我们在搜索从未读过的留出测试上对每个选定配置评分一次。取每端点最佳验证轴的路由管线达到正留出增益0.013、0.011与0.042——可迁移轴依套件而异：TDC上是数据、Polaris上是模型、MoleculeNet上是特征与模型。最大的模型搜索增益从验证的0.041跌至测试的0.003——策展数据达到0.022但测试为-0.019——两个不迁移签名。策展外部数据把留出CYP2C9底物性能提升0.17、半衰期提升0.08——经拒绝重叠64-89%测试结构的同源文件污染过滤器接纳——该过滤是迁移的必要非充分条件。匹配试验的自动化机器学习对照未能复现智能体的代码级模型干预——0.006对0.042——且该管线在共享训练划分上仍与84M参数预训练3D模型具有竞争力。实验限于分子性质预测——但把发现与留出认证分离是对任何优化留出量代理的闭环系统都适用的领域无关教训。