HypoEvolve：遗传算法使多代理大语言模型能够发现科学假设

科学代理人通过综合证据、评估建议和开发新的解释来促进假设发现。最近的系统通过批判、比较和修正将科学代理与进化搜索结合起来。然而，不同形式的代理协作如何影响假设质量仍然是一个悬而未决的问题。回答这个问题需要将特工的科学能力的影响与他们的合作的影响分开。因此，框架必须保留主体的科学角色并支持组合、修改和保留假设的规则。基于这一观点，我们引入了 HypoEvolve，它通过对假设群体的连续更新使协作变得明确。具体来说，我们提出了一种世代遗传算法来协调专门的大语言模型（LLM）代理，这些代理整合机械论点，重新考虑假设并评估证据和可测试性。每一代人都会详细说明科学判断和新提案如何重塑群体，从而使协作对假设质量的影响可以直接测试。此外，我们围绕具有科学意义的假设来设计评估，这些假设解释了拟议的干预措施如何发挥作用。药物再利用将这些解释与根据外部证据评估的目标水平生物学主张联系起来。具体来说，我们将 DepMap 和开放目标改编为基于实验、遗传和临床证据的补充外部措施。在 34 种癌症类型中，HypoEvolve 在两项指标的六个基线上均取得了最高分。 DepMap 选择性达到 0.171，而最强基线为 0.115。相对于单次生成的收益也适用于保留的癌症类型。 HypoEvolve 推进了自主科学的愿景，其中人工智能研究团队实现了超越单个模型的发现能力。