以可能性推理组织开放式自主科学发现

LLM的自主科学发现需要随着证据的积累而自适应地生成和测试假设，同时保持统计有效性。现有的随时有效的方法可以处理依赖于数据的假设，但开放式发现提出了更深层次的挑战：发现的最好的假设可能仍然是最好的假设，更好的解释尚未被发现，而即使是物理定律等背景知识也可能需要根据新发现进行修改。作为回应，我们使用可能性理论将问题形式化为溯因自主科学发现（AASD）。我们引入了溯因效用，一种可计算的发现进度度量，以及可能性前沿搜索，这是 AASD 的第一个算法，它保持任何时间的有效性，并在适当的条件下渐近地实现 $\varepsilon$ 最优的溯因效用。综合和现实世界的科学发现任务的实验显示出强大的性能。