压缩验证瓶颈：面向科学发现的智能体自驱动实验室

摘要

智能体AI for Science可自动化构思、规划与分析，但最终验证仍依赖真实实验。自驱动实验室（SDL）可执行这些实验，但回路仍有瓶颈：智能体可能在低价值实验上耗费过多轮次，或每轮实验成本过高。我们以单个智能体针对这两个物理瓶颈：第一，先验感知的智能体实验设计（DOE）循环利用领域知识与既往结果提出可行且有信息量的下一实验，减少达到目标的试验数；第二，成本感知的代理智能体从低成本低分辨率测量预测高成本高分辨率测量，并基于预测不确定性在高低成本测量间选择。两个方向分别在生物与材料领域检验：在单一智能体下，两组件通过减少循环数与单次实验成本加速SDL回路。

压缩验证瓶颈：面向科学发现的智能体自驱动实验室：论文配图 — 图 1：一个代理攻击域通用方法的两个瓶颈，显示在两个应用领域中。瓶颈 1 减少了回合数。大语言模型代理人将先验知识和过去的结果转化为贝叶斯优化建议，在此处绘制用于抗体生物过程优化。瓶颈 2 降低了每轮的成本。经过预先训练的替代者可以通过廉价信号（硬度到拉伸强度，X 射线成分和 CALPHAD 到相分数）预测金属增材制造（我们正在建造的实验室）的昂贵测量。