论文
Model Discovery Agent：LLM辅助贝叶斯实验设计实现数据高效的机制世界模型发现
Model Discovery Agent: LLM-assisted Bayesian experiment design for data-efficient discovery of mechanistic world models
摘要
科学的一个首要目标是从有限的实验数据中学习机制性世界模型，既为了解释观测，也为了预测新颖干预的效果。我们提出Model Discovery Agent（MDA），它将面向M-open模型发现的大语言模型提案、基于信息价值（Value of Information）的实验设计以及对模型结构、参数和随机潜在轨迹的近似贝叶斯推断相结合。我们将MDA应用于学习ChemBench的符号反应速率定律、GlucoseBench的部分可观测ODE模型，以及我们新构建的随机单神经元仿真器的部分可观测SDE模型。在附录中，我们还展示了BoxingGym中其他多个领域的结果。结果表明，与多种基线方法相比，MDA具有更高的样本效率，且学到的模型既是良好的预测器，也提供了各领域的可解释抽象。
