PiFlow: Prinzipienorientierte wissenschaftliche Entdeckung durch Multi-Agenten-Kollaboration

PiFlow: Principle-aware Scientific Discovery with Multi-Agent Collaboration

May 21, 2025

Autoren: Yingming Pu, Tao Lin, Hongyu Chen

cs.AI

Zusammenfassung

Multi-Agent-Systeme (MAS) auf Basis von Large Language Models (LLMs) zeigen bemerkenswertes Potenzial für wissenschaftliche Entdeckungen. Bisherige Ansätze automatisieren jedoch oft die wissenschaftliche Entdeckung mithilfe vordefinierter Workflows, denen Rationalitätsbeschränkungen fehlen. Dies führt häufig zu ziellosem Hypothesenbilden und einem mangelnden Zusammenhang zwischen Hypothesen und Belegen, was die systematische Unsicherheitsreduzierung behindert. Die Überwindung dieser Einschränkungen erfordert grundlegend eine systematische Unsicherheitsreduzierung. Wir stellen PiFlow vor, ein informationstheoretisches Framework, das die automatisierte wissenschaftliche Entdeckung als ein strukturiertes Problem der Unsicherheitsreduzierung behandelt, das von Prinzipien (z. B. wissenschaftlichen Gesetzen) geleitet wird. In Bewertungen über drei verschiedene wissenschaftliche Domänen hinweg – der Entdeckung von Nanomaterialstrukturen, Biomolekülen und Supraleiterkandidaten mit gezielten Eigenschaften – verbessert unsere Methode die Entdeckungseffizienz erheblich, was sich in einer Steigerung der Fläche unter der Kurve (AUC) der Eigenschaftswerte gegenüber den Erkundungsschritten um 73,55 % widerspiegelt, und erhöht die Lösungsqualität um 94,06 % im Vergleich zu einem einfachen Agentensystem. Insgesamt dient PiFlow als Plug-and-Play-Methode und etabliert einen neuartigen Paradigmenwechsel in der hocheffizienten automatisierten wissenschaftlichen Entdeckung, wodurch der Weg für robustere und beschleunigte KI-gestützte Forschung geebnet wird. Der Code ist öffentlich auf unserem GitHub verfügbar: https://github.com/amair-lab/PiFlow.

English

Large Language Model (LLM)-based multi-agent systems (MAS) demonstrate remarkable potential for scientific discovery. Existing approaches, however, often automate scientific discovery using predefined workflows that lack rationality constraints. This often leads to aimless hypothesizing and a failure to consistently link hypotheses with evidence, thereby hindering systematic uncertainty reduction. Overcoming these limitations fundamentally requires systematic uncertainty reduction. We introduce PiFlow, an information-theoretical framework, treating automated scientific discovery as a structured uncertainty reduction problem guided by principles (e.g., scientific laws). In evaluations across three distinct scientific domains -- discovering nanomaterial structures, bio-molecules, and superconductor candidates with targeted properties -- our method significantly improves discovery efficiency, reflected by a 73.55\% increase in the Area Under the Curve (AUC) of property values versus exploration steps, and enhances solution quality by 94.06\% compared to a vanilla agent system. Overall, PiFlow serves as a Plug-and-Play method, establishing a novel paradigm shift in highly efficient automated scientific discovery, paving the way for more robust and accelerated AI-driven research. Code is publicly available at our https://github.com/amair-lab/PiFlow{GitHub}.