FlowPIE: Evolución de Ideas Científicas en Tiempo de Prueba con Exploración Literaria Guiada por Flujos
FlowPIE: Test-Time Scientific Idea Evolution with Flow-Guided Literature Exploration
March 31, 2026
Autores: Qiyao Wang, Hongbo Wang, Longze Chen, Zhihao Yang, Guhong Chen, Hamid Alinejad-Rokny, Hui Li, Yuan Lin, Min Yang
cs.AI
Resumen
La generación de ideas científicas (SIG) es fundamental para la investigación autónoma impulsada por la IA, sin embargo, los enfoques existentes a menudo están limitados por un paradigma estático de recuperación y posterior generación, lo que conduce a ideas homogéneas e insuficientemente divergentes. En este trabajo, proponemos FlowPIE, un marco de recuperación-generación estrechamente acoplado que trata la exploración de la literatura y la generación de ideas como un proceso que co-evoluciona. FlowPIE expande las trayectorias literarias mediante una Búsqueda en Árbol de Monte Carlo (MCTS) guiada por flujo, inspirada en GFlowNets, utilizando la calidad de las ideas actuales evaluada por un modelo de recompensa generativo (GRM) basado en un LLM como señal supervisada para guiar la recuperación adaptativa y construir una población inicial diversa y de alta calidad. Basándose en esta población, FlowPIE modela la generación de ideas como un proceso de evolución de ideas en tiempo de prueba, aplicando selección, cruce y mutación con el paradigma de islas de aislamiento y el cálculo de aptitud basado en el GRM para incorporar conocimiento transversal. Mitiga eficazmente las cámaras de eco informativas que surgen de la dependencia excesiva del conocimiento paramétrico y la literatura estática. Evaluaciones exhaustivas demuestran que FlowPIE produce consistentemente ideas con mayor novedad, factibilidad y diversidad en comparación con marcos potentes basados en LLM y agentes, al mismo tiempo que permite la escalabilidad de recompensas durante el tiempo de prueba.
English
Scientific idea generation (SIG) is critical to AI-driven autonomous research, yet existing approaches are often constrained by a static retrieval-then-generation paradigm, leading to homogeneous and insufficiently divergent ideas. In this work, we propose FlowPIE, a tightly coupled retrieval-generation framework that treats literature exploration and idea generation as a co-evolving process. FlowPIE expands literature trajectories via a flow-guided Monte Carlo Tree Search (MCTS) inspired by GFlowNets, using the quality of current ideas assessed by an LLM-based generative reward model (GRM) as a supervised signal to guide adaptive retrieval and construct a diverse, high-quality initial population. Based on this population, FlowPIE models idea generation as a test-time idea evolution process, applying selection, crossover, and mutation with the isolation island paradigm and GRM-based fitness computation to incorporate cross-domain knowledge. It effectively mitigates the information cocoons arising from over-reliance on parametric knowledge and static literature. Extensive evaluations demonstrate that FlowPIE consistently produces ideas with higher novelty, feasibility and diversity compared to strong LLM-based and agent-based frameworks, while enabling reward scaling during test time.