arXiv cs.AI· Xiaotang Feng, Philip Torr, Bruno Andreis·· 13 小时前AI 评分34
Online Surrogate Repair：将高保真反馈与搜索长度解耦的闭环发现算法
Online Surrogate Repair: Decoupling High-Fidelity Feedback from Search Length in Closed-Loop Discovery
AI 导读
研究者提出闭环算法 Online Surrogate Repair（OSR），用稀疏高保真评估在较长的智能体搜索过程中持续更新代理模型，把高保真评估频率与搜索时长解耦。
正文 · AI 翻译
摘要：闭环 AI 科学家能够以较低的边际计算成本生成候选设计，而可靠的反馈可能需要湿实验室合成、表征或高保真计算。通过定制实验室自动化来解决这种不平衡仍然需要大量基础设施且成本高昂，而用固定代理模型替代新实验会留下持续的模型误差，这些误差可能被优化过程放大。我们提出 \emph{在线代理修复}（OSR），这是一种闭环算法，它利用稀疏的高保真评估，在主要借助低成本代理反馈进行的较长智能体搜索过程中持续更新代理模型。一种采集规则从智能体累积的提案中选择哪些设计接受高保真评估，所得标签用于更新后续回合中使用的代理模型。在受控合成环境中，我们证明改善全局代理拟合并不一定能降低最大遗憾，而 Q90-UCB 和期望改进（EI）通过将评估引导至决定优化器决策的区域，显著降低了遗憾。\osradded{在 LLM 和 Chemeleon 工作流中，Online EI 在匹配发现数量时将所需 oracle 查询量减少 84.3--90.3\%，在匹配所发现最佳材料质量时减少 77.9--81.6\%。}在线代理修复引入了第三种反馈机制，介于固定代理运行与每个回合后进行高保真反馈之间，将高保真评估的频率与智能体搜索的持续时间分离开来。
| 主题： | 机器学习（cs.LG）；材料科学（cond-mat.mtrl-sci）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.07655 [cs.LG] |
| （或 arXiv:2609.07655v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.07655 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xiaotang Feng 先生 [查看电子邮件]
[v1]
2026年9月7日星期一 15:42:45 UTC（1,903 KB）
[v2]
2026年9月28日星期一 21:45:21 UTC（1,907 KB）
[v3]
2026年10月29日星期四 13:58:13 UTC（1,904 KB）
来源：arXiv cs.AI · arxiv.org