BayesEvolve：面向自主科学发现的显式信念状态

摘要

自主科学发现系统日益使用大语言模型（LLM）提议新假说，但许多此类系统主要以实验记忆为条件——高分候选的存档或近期试验的启发式摘要。我们论证发现智能体应转而维护关于假说质量的显式、不确定性感知的信念。我们引入BayesEvolve：信念引导的发现框架——把实验证据转为预测性信念状态并以该信念引导后续实验。作为信念引导发现的受控试验台：我们在偏移的BBOB式黑盒优化任务上评估BayesEvolve。BayesEvolve在固定评估预算下改善相对记忆与存档引导LLM基线的采样效率。进一步显示信念状态在留出候选池上具有预测性，受控决策规则消融偏好带退火不确定性加成的信念引导选择。

BayesEvolve：面向自主科学发现的显式信念状态：论文配图 — 图 1：转移 BBOB 式优化任务的主要发现性能。曲线显示五个基准函数和五个随机种子的平均归一化最佳迄今为止目标；阴影区域表示标准误差。所有LLM方法均使用gpt-5.4-mini； GP-BO 是非 LLM 贝叶斯优化基线。越低越好。