FlowPIE: Wetenschappelijke Idee-evolutie tijdens Testen met Flow-Gestuurd Literatuuronderzoek
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
Samenvatting
Het genereren van wetenschappelijke ideeën (SIG) is cruciaal voor AI-gestuurd autonoom onderzoek, maar bestaande benaderingen worden vaak beperkt door een statisch retrieval-then-generation paradigma, wat leidt tot homogene en onvoldoende divergerende ideeën. In dit werk stellen we FlowPIE voor, een nauw gekoppeld retrieval-generatie raamwerk dat literatuurverkenning en ideeëngeneratie behandelt als een co-evoluerend proces. FlowPIE breidt literatuurtrajecten uit via een Monte Carlo Tree Search (MCTS) met stroomgeleiding, geïnspireerd door GFlowNets, waarbij de kwaliteit van huidige ideeën – beoordeeld door een op een grote taalmodel (LLM) gebaseerd generatief beloningsmodel (GRM) – als supervisiesignaal dient om adaptieve retrieval aan te sturen en een diverse, hoogwaardige initiële populatie te construeren. Gebaseerd op deze populatie modelleert FlowPIE ideeëngeneratie als een testtime ideeënevolutieproces, waarbij selectie, crossover en mutatie worden toegepast volgens het isolatie-eilandparadigma en GRM-gebaseerde fitnessberekening om kruisdominante kennis te integreren. Het vermindert effectief de informatiecocons die ontstaan door overmatige afhankelijkheid van parametrische kennis en statische literatuur. Uitgebreide evaluaties tonen aan dat FlowPIE consistent ideeën produceert met hogere nieuwswaarde, haalbaarheid en diversiteit vergeleken met krachtige LLM-gebaseerde en agent-gebaseerde raamwerken, terwijl het beloningsschaling tijdens testtime mogelijk maakt.
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.