arXiv cs.AI· Dongki Kim, Sangwoo Park, Jinheon Baek, Soyeong Jeong, Sung Ju Hwang·· 11 小时前AI 评分34
Principia：用测试时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
研究者提出基于 LLM 的框架 Principia，可在测试时构建并持续精炼科学原理：先从相关输入与观测结果形成对比性因果假设，再归纳出反复出现的关系作为原理，并依据新观测修订假设、重建原理。在分子优化、蛋白质工程、基因扰动和分子性质预测等基准上，Principia 优于依赖内部知识、外部来源或经验总结的基线，生成的原理与科学文献相符。代码已公开。
正文 · AI 翻译
摘要：科学发现需要识别观察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未知，因此需要通过“假设到原理”的流程来构建它们，以便在测试时发现过程中从逐步积累的观察中获取反复出现的因果关系。然而，构建这种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。为解决这一局限，我们提出了 Principia，一个基于 LLM 的框架，可在测试时构建并持续改进科学原理。借鉴人类研究者发展原理的方式，Principia 从相关输入及其观察结果中形成比较性因果假设，然后综合这些假设中反复出现的关系，归纳为归纳性原理。通过将构建的假设和归纳性原理应用于任务，它获得新的观察结果，基于这些新观察结果修正所使用的假设，并从更新后的假设中重建原理，从而使科学知识在测试时发现过程中持续演化。在涵盖分子优化、蛋白质工程、基因扰动和分子性质预测的基准测试中，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，展示了其在测试时构建和改进任务特定假设与原理以用于科学发现的有效性。我们的代码可在 此 https URL 获取。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.32195 [cs.LG] |
| （或 arXiv:2610.32195v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32195 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Dongki Kim [查看邮箱]
[v1]
2026年10月23日星期五 05:46:36 UTC（1,828 KB）
来源：arXiv cs.AI · arxiv.org