摘要
自主科学发现系统常依赖实验记忆档案，本文主张代理应维护关于假设质量的显式不确定性信念。作者提出 BayesEvolve 框架，将实验证据转化为预测性信念状态以指导后续实验。在黑盒优化任务中的评估表明，该方法在固定预算下比基于记忆的基线具有更高的样本效率，展现出生产性的后期集中探索能力，而非无焦点的随机尝试。
AI 推荐理由
论文提出基于信念状态的自主发现框架，核心在于代理的自我改进与自适应探索策略。
研究机构
Pfizer, Shanghai, China
Independent Researcher, Hangzhou, China
论文信息