摘要
大语言模型正加速科学发现，尤其在生成有效科学假设方面。然而，现有进化搜索方法常重优化轻探索，导致多样性丧失。本文将其重构为采样问题，旨在固定验证预算下高效生成多样且高质量的假设。我们提出一种受并行退火算法启发的进化框架，通过多温度层级搜索及层级间信息交换，在不破坏收敛性的前提下提升探索能力。实验表明，该方法在分子、方程及算法发现领域均显著提升了假设的质量与多样性。
AI 推荐理由
论文提出基于进化搜索的框架，核心解决假设生成中的多样性崩溃问题，属自我进化研究。
研究机构
Equal contribution. Equal advising: Georgia Institute of Technology, Virginia Tech, Carnegie Mellon University
University of California, Berkeley
Microsoft Research New England
University of Cambridge
Georgia Institute of Technology
论文信息