通过迭代元反思进行自主科学发现

自主科学发现系统通过自动化假设生成和验证过程提供了加速研究的潜力。然而，当前的系统在有限的搜索空间内运行或需要预定义的研究问题，限制了它们真正开放式查询的能力。此外，虽然他们迭代地产生假设，但他们在很大程度上缺乏明确综合自己积累的发现以揭示复杂、相互关联的现象的能力。我们引入了 DiscoPER，这是一个由 大语言模型 支持的自主框架，它通过动态生成和执行代码来进行开放式研究，以探索数据集，而无需预先指定研究目标。为了确保严格的科学有效性，每项提出的发现都必须通过统计测试。为了克服孤立搜索的局限性，我们的框架引入了二阶推理机制，定期分析其自身积累的发现。通过将先前的发现视为经验数据，DiscoPER 可以识别结构模式、混淆和认知差距，主动将假设探索转向搜索空间的未知区域。通过合并工具使用，搜索空间得到进一步扩展，使系统能够通过无缝处理和从图像等多模态源中提取有用信息来探索结构化元数据之外的假设。在 iNatDisco（一种新的多模态生态知识基准，具有从同行评审文献中获得的模式级 真值）上进行评估时，DiscoPER 恢复了 9 个已知模式中的 8 个，假设支持率为 72.7%，优于经典因果发现和 LLM 引导的基线。消融表明 DiscoPER 可随更多数据扩展，并证实了二阶元反射的优势。