跳到正文
arXiv· Dongki Kim; Sangwoo Park; Jinheon Baek; Soyeong Jeong; Sung Ju Hwang·· 24 天前AI 评分51

Principia:在测试时从假设构建科学原理的 LLM 框架

Principia: Test-Time Hypotheses to Principle Construction for Scientific Discovery

AI 导读

论文提出基于 LLM 的 Principia 框架,在测试时从比较性因果假设中归纳并持续修正科学原理。在分子优化、蛋白质工程、基因扰动与分子性质预测基准上,它优于依赖内部知识、外部来源或经验总结的基线,并生成与文献相符的原理。代码见 https://github.com/DongkiKim95/Principia。

预印本 · arxiv · 2610.32195

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

科学发现需要识别观测现象背后的科学原理,以指导进一步的研究。在复杂的发现过程中,这些经验性原理往往是未知的,因此需要通过一个从假设到原理的流程来构建,以便从测试时发现过程中逐步积累的观测中获得反复出现的因果关系。然而,构建这类知识需要大量的领域专业知识、时间和精力,使得这一转化阶段成为科学发现的瓶颈。为了解决这一局限,我们提出了 Principia,这是一个基于 LLM 的框架,能够在测试时构建并持续完善科学原理。借鉴人类研究者发展原理的方式,Principia 从相关输入及其观测结果中形成对比性的因果假设,然后将这些假设之间的反复出现的关系综合为归纳原理。通过将构建的假设和归纳原理应用于任务,它获得新的观测,根据这些新观测修正所使用的假设,并从更新后的假设中重新构建原理,从而使科学知识在整个测试时发现过程中不断演进。在涵盖分子优化、蛋白质工程、基因扰动和分子属性预测的基准测试中,Principia 优于依赖内部知识、外部来源或经验总结的基线方法,同时生成的原理合理且与科学文献一致,证明了其在测试时为科学发现构建和细化特定任务假设与原理的有效性。我们的代码位于 https://github.com/DongkiKim95/Principia。

来源:arXiv · arxiv.org