PiFlow: Principebewuste wetenschappelijke ontdekking met multi-agent samenwerking

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

May 21, 2025

Auteurs: Yingming Pu, Tao Lin, Hongyu Chen

cs.AI

Samenvatting

Multi-agent systemen (MAS) gebaseerd op Large Language Models (LLM) tonen opmerkelijke potentie voor wetenschappelijke ontdekkingen. Bestaande benaderingen automatiseren wetenschappelijke ontdekkingen echter vaak met behulp van vooraf gedefinieerde workflows die gebrek hebben aan rationaliteitsbeperkingen. Dit leidt vaak tot doelloos hypothesen vormen en een gebrek aan consistente koppeling tussen hypothesen en bewijs, wat een systematische onzekerheidsreductie belemmert. Het overwinnen van deze beperkingen vereist fundamenteel een systematische onzekerheidsreductie. Wij introduceren PiFlow, een informatie-theoretisch raamwerk, dat geautomatiseerde wetenschappelijke ontdekking behandelt als een gestructureerd onzekerheidsreductieprobleem, geleid door principes (bijv. wetenschappelijke wetten). In evaluaties over drie verschillende wetenschappelijke domeinen – het ontdekken van nanomateriaalstructuren, biomoleculen en supergeleiderkandidaten met gerichte eigenschappen – verbetert onze methode de ontdekkings efficiëntie aanzienlijk, wat blijkt uit een toename van 73,55% in de Area Under the Curve (AUC) van eigenschapswaarden versus exploratiestappen, en verhoogt de oplossingskwaliteit met 94,06% vergeleken met een standaard agentsysteem. Over het algemeen fungeert PiFlow als een Plug-and-Play methode, waarmee een nieuw paradigma wordt gevestigd in zeer efficiënte geautomatiseerde wetenschappelijke ontdekking, wat de weg vrijmaakt voor robuuster en versneld AI-gedreven onderzoek. De code is publiekelijk beschikbaar op onze {GitHub}(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}.