Découverte scientifique autonome via la méta-réflexion itérative

Résumé

Les systèmes autonomes de découverte scientifique offrent le potentiel d'accélérer la recherche en automatisant le processus de génération et de validation d'hypothèses. Cependant, les systèmes actuels opèrent dans des espaces de recherche contraints ou nécessitent des questions de recherche prédéfinies, ce qui limite leur capacité à mener une véritable exploration ouverte. De plus, bien qu'ils génèrent des hypothèses de manière itérative, ils manquent largement de la capacité de synthétiser explicitement leurs propres découvertes accumulées pour mettre au jour des phénomènes complexes et interconnectés. Nous présentons DiscoPER, un framework autonome alimenté par un grand modèle de langage qui mène une recherche ouverte en générant et en exécutant dynamiquement du code pour explorer des ensembles de données sans objectifs de recherche prédéfinis. Afin de garantir une validité scientifique rigoureuse, chaque découverte proposée doit passer des tests statistiques. Pour surmonter les limites de la recherche isolée, notre framework introduit un mécanisme de raisonnement de second ordre qui analyse périodiquement ses propres découvertes accumulées. En traitant les découvertes antérieures comme des données empiriques, DiscoPER identifie des schémas structurels, des facteurs de confusion et des lacunes épistémiques, redirigeant activement l'exploration d'hypothèses vers des régions inexplorées de l'espace de recherche. L'espace de recherche est encore élargi par l'intégration de l'utilisation d'outils, permettant au système d'explorer des hypothèses au-delà des métadonnées structurées en traitant et extrayant de manière transparente des informations utiles à partir de sources multimodales telles que les images. Évalué sur iNatDisco, un nouveau benchmark multimodal de connaissances écologiques dont les vérités terrain au niveau des motifs sont issues de la littérature évaluée par les pairs, DiscoPER retrouve 8 motifs sur 9 avec un taux de soutien d'hypothèse de 72,7 %, surpassant à la fois la découverte causale classique et les bases de référence guidées par LLM. Les ablations montrent que DiscoPER passe à l'échelle avec davantage de données et confirment les bénéfices de la méta-réflexion de second ordre.

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.