Descubrimiento Científico Autónomo mediante Metarreflexión Iterativa

Resumen

Los sistemas autónomos de descubrimiento científico ofrecen el potencial de acelerar la investigación al automatizar el proceso de generación y validación de hipótesis. Sin embargo, los sistemas actuales operan dentro de espacios de búsqueda restringidos o requieren preguntas de investigación predefinidas, lo que limita su capacidad para una indagación verdaderamente abierta. Además, aunque generan hipótesis de forma iterativa, carecen en gran medida de la capacidad de sintetizar explícitamente sus propios hallazgos acumulados para descubrir fenómenos complejos e interconectados. Presentamos DiscoPER, un marco autónomo basado en modelos de lenguaje grande que realiza investigación abierta mediante la generación y ejecución dinámica de código para explorar conjuntos de datos sin objetivos de investigación preespecificados. Para garantizar el rigor científico, cada descubrimiento propuesto debe superar pruebas estadísticas. Para superar las limitaciones de la búsqueda aislada, nuestro marco introduce un mecanismo de razonamiento de segundo orden que analiza periódicamente sus propios descubrimientos acumulados. Al tratar los descubrimientos previos como datos empíricos, DiscoPER identifica patrones estructurales, factores de confusión y brechas epistémicas, redirigiendo activamente la exploración de hipótesis hacia regiones inexploradas del espacio de búsqueda. El espacio de búsqueda se expande aún más mediante la incorporación de uso de herramientas, lo que permite al sistema explorar hipótesis más allá de los metadatos estructurados al procesar y extraer información útil de fuentes multimodales como imágenes. Evaluado en iNatDisco, un nuevo punto de referencia multimodal de conocimiento ecológico con verdades fundamentales a nivel de patrón obtenidas de literatura revisada por pares, DiscoPER recupera 8 de 9 patrones conocidos con una tasa de soporte de hipótesis del 72,7%, superando tanto el descubrimiento causal clásico como las líneas base guiadas por modelos de lenguaje grande. Los estudios de ablación muestran que DiscoPER escala con más datos y confirman los beneficios de la metarreflexión de segundo orden.

English

Autonomous scientific discovery systems offer the potential to accelerate research by automating the process of hypothesis generation and validation. However, current systems operate within constrained search spaces or require predefined research questions, limiting their capacity for true open-ended inquiry. Furthermore, while they generate hypotheses iteratively, they largely lack the ability to explicitly synthesize their own accumulated findings to uncover complex, interconnected phenomena. We introduce DiscoPER, an autonomous large language model-powered framework that conducts open-ended research by dynamically generating and executing code to explore datasets without pre-specified research objectives. To ensure rigorous scientific validity, every proposed discovery must pass statistical testing. To overcome the limitations of isolated search, our framework introduces a second-order reasoning mechanism that periodically analyzes its own accumulated discoveries. By treating prior discoveries as empirical data, DiscoPER identifies structural patterns, confounds, and epistemic gaps, actively redirecting hypothesis exploration toward uncharted regions of the search space. The search space is further expanded by incorporating tool use, enabling the system to explore hypotheses beyond structured metadata by seamlessly processing and extracting useful information from multimodal sources like images. Evaluated on iNatDisco, a new multimodal ecological knowledge benchmark with pattern-level ground truth obtained from peer-reviewed literature, DiscoPER recovers 8 of 9 known patterns with a 72.7% hypothesis support rate, outperforming both classical causal discovery and LLM-guided baselines. Ablations show that DiscoPER scales with more data, and confirms the benefits of second-order meta-reflection.