PiFlow: Scoperta Scientifica Basata su Principi con Collaborazione Multi-Agente

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

May 21, 2025

Autori: Yingming Pu, Tao Lin, Hongyu Chen

cs.AI

Abstract

I sistemi multi-agente (MAS) basati su Large Language Model (LLM) dimostrano un potenziale straordinario per la scoperta scientifica. Tuttavia, gli approcci esistenti spesso automatizzano la scoperta scientifica utilizzando flussi di lavoro predefiniti che mancano di vincoli di razionalità. Ciò porta frequentemente a ipotesi senza scopo e a una mancata connessione sistematica tra ipotesi ed evidenze, ostacolando così la riduzione sistematica dell'incertezza. Superare queste limitazioni richiede fondamentalmente una riduzione strutturata dell'incertezza. Introduciamo PiFlow, un framework teorico-informatico che tratta la scoperta scientifica automatizzata come un problema strutturato di riduzione dell'incertezza guidato da principi (ad esempio, leggi scientifiche). Nelle valutazioni condotte in tre distinti domini scientifici — la scoperta di strutture nanomateriali, biomolecole e candidati superconduttori con proprietà mirate — il nostro metodo migliora significativamente l'efficienza della scoperta, riflessa da un aumento del 73,55\% nell'Area Under the Curve (AUC) dei valori delle proprietà rispetto ai passi di esplorazione, e migliora la qualità delle soluzioni del 94,06\% rispetto a un sistema di agenti standard. Nel complesso, PiFlow funziona come un metodo Plug-and-Play, stabilendo un nuovo paradigma per una scoperta scientifica automatizzata altamente efficiente, aprendo la strada a una ricerca guidata dall'IA più robusta e accelerata. Il codice è disponibile pubblicamente sul nostro {GitHub} all'indirizzo 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}.