arXiv cs.AI· SiYuan Ma, Albert Gao, Chunzheng Zhu, Xin Yan, Wenlong Zhang, Wenxin Zhang, Luqi Gong, Tianlin Li, Qixin Zhang·· 10 天前AI 评分24
让理论学会"长大"：超越初始假设空间的实验发现
Learning to Outgrow a Theory: Experimental Discovery Beyond the Initial Hypothesis Space
AI 导读
研究提出"实验模型类修正"框架，让发现策略同时提出结构编辑和诊断实验，以检验该编辑是否必要。在 400 个受控动力学环境中，联合策略以 32 次真实实验预算达到 89.5% 精确恢复率，比最强匹配基线提升 10.0 个百分点，且所需实验与候选拟合更少。当真实机制超出编辑语法时，该方法在 88% 的情况下检测出库不足，误支持率为 5.5%。
正文 · AI 翻译
摘要：科学发现系统通常在固定的假设空间内优化实验。当所有可用候选都遗漏了同一个缺失机制时，这会产生一种失效模式：即使模型类在系统性地出错，候选之间的分歧也可能消失。我们提出了实验性模型类修正，其中发现策略联合提出一个结构性编辑和一个诊断实验，以检验该编辑是否必要。该方法将类级可区分性目标（其中一个共享参数化必须解释所有选定的实验）与随时有效的序列证据相结合，仅在当前类被拒绝后才触发结构修正。在 400 个留出的受控动力学环境中，联合策略在 32 次真实实验的预算下达到 89.5% 的精确恢复率，比最强的匹配基线提高了 10.0 个百分点，同时所需的已执行实验和候选拟合次数更少。学到的修正-实验配对可迁移到未见过的机制组合、留出但可表达的基元、参数外推以及变化的实验成本；当真实机制超出编辑语法时，它在 88% 的情况下检测到库不足，误支持率为 5.5%。修正增益还可迁移到 ODEBench 和 ODEBase 模型库任务，以及 DiscoverPhysics 世界。这些结果支持这样一种科学发现观：决定一个理论应使哪些机制可表达，以及在何处收集证据，被视为一个单一的序列决策问题。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.07627 [cs.AI] |
| （或 arXiv:2610.07627v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07627 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：SiYuan Ma [查看电子邮件]
[v1]
2026年10月6日星期二 02:19:53 UTC（7,567 KB）
来源：arXiv cs.AI · arxiv.org