摘要
本文提出 DN-Hypo-Pipeline，一种基于大语言模型的 AI 工作流，旨在利用科学解释作为先验知识，支持结构化科学思维与假设生成。该流程协助研究者从现有文献中推导新假设：给定研究结论，识别其背后的定律与原理，并重构出尚未验证的新解释。在数据科学建模领域的评估显示，该方法优于直接生成策略，且生成的顶级假设经算法实现后性能超越原基线模型。
AI 推荐理由
论文核心在于利用 LLM 进行科学解释重构与假设生成的深度推理过程。
研究机构
Computer Network Information Center, Chinese Academy of Sciences, China.
论文信息