FlowPIE : Évolution d'idées scientifiques en temps de test par une exploration littéraire guidée par les flux
FlowPIE: Test-Time Scientific Idea Evolution with Flow-Guided Literature Exploration
March 31, 2026
Auteurs: Qiyao Wang, Hongbo Wang, Longze Chen, Zhihao Yang, Guhong Chen, Hamid Alinejad-Rokny, Hui Li, Yuan Lin, Min Yang
cs.AI
Résumé
La génération d'idées scientifiques (SIG) est essentielle pour la recherche autonome pilotée par l'IA, mais les approches existantes sont souvent limitées par un paradigme statique de récupération puis génération, conduisant à des idées homogènes et insuffisamment divergentes. Dans ce travail, nous proposons FlowPIE, un cadre de récupération-génération étroitement couplé qui traite l'exploration de la littérature et la génération d'idées comme un processus co-évolutif. FlowPIE étend les trajectoires littéraires via une recherche arborescente de Monte Carlo (MCTS) guidée par des flux, inspirée des GFlowNets, utilisant la qualité des idées actuelles évaluée par un modèle de récompense générative (GRM) basé sur un LLM comme signal supervisé pour guider la récupération adaptative et construire une population initiale diversifiée et de haute qualité. Sur la base de cette population, FlowPIE modélise la génération d'idées comme un processus d'évolution d'idées en temps de test, appliquant la sélection, le croisement et la mutation avec le paradigme des îles d'isolement et le calcul de l'aptitude basé sur le GRM pour intégrer des connaissances transdomaines. Il atténue efficacement les bulles informationnelles résultant d'une dépendance excessive aux connaissances paramétriques et à la littérature statique. Des évaluations approfondies démontrent que FlowPIE produit constamment des idées avec une plus grande nouveauté, faisabilité et diversité par rapport aux cadres robustes basés sur les LLM et les agents, tout en permettant une mise à l'échelle des récompenses pendant le temps de test.
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.