FlowPIE: Evoluzione di Idee Scientifiche al Momento del Test con Esplorazione Letteraria Guidata da Flussi
FlowPIE: Test-Time Scientific Idea Evolution with Flow-Guided Literature Exploration
March 31, 2026
Autori: Qiyao Wang, Hongbo Wang, Longze Chen, Zhihao Yang, Guhong Chen, Hamid Alinejad-Rokny, Hui Li, Yuan Lin, Min Yang
cs.AI
Abstract
La generazione di idee scientifiche (SIG) è fondamentale per la ricerca autonoma guidata dall'intelligenza artificiale, tuttavia gli approcci esistenti sono spesso limitati da un paradigma statico di recupero-e-generazione, che porta a idee omogenee e insufficientemente divergenti. In questo lavoro, proponiamo FlowPIE, un framework accoppiato di recupero-generazione che tratta l'esplorazione della letteratura e la generazione di idee come un processo co-evolutivo. FlowPIE espande le traiettorie letterarie attraverso una Ricerca ad Albero di Monte Carlo (MCTS) guidata da flussi, ispirata alle GFlowNets, utilizzando la qualità delle idee correnti – valutata da un modello di ricompensa generativa (GRM) basato su LLM – come segnale supervisionato per guidare il recupero adattivo e costruire una popolazione iniziale diversificata e di alta qualità. Sulla base di questa popolazione, FlowPIE modella la generazione di idee come un processo di evoluzione delle idee al tempo di test, applicando selezione, crossover e mutazione con il paradigma delle isole di isolamento e il calcolo dell'idoneità basato sul GRM per incorporare conoscenze transdisciplinari. Mitiga efficacemente le camere d'eco informative che derivano dalla sovradipendenza dalla conoscenza parametrica e dalla letteratura statica. Valutazioni estensive dimostrano che FlowPIE produce costantemente idee con maggiore novità, fattibilità e diversità rispetto a solidi framework basati su LLM e agenti, consentendo al contempo il ridimensionamento della ricompensa durante il tempo di 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.