Descoberta Científica Autônoma via Metarreflexão Iterativa

Resumo

Sistemas autônomos de descoberta científica oferecem o potencial de acelerar a pesquisa ao automatizar o processo de geração e validação de hipóteses. No entanto, os sistemas atuais operam dentro de espaços de busca limitados ou exigem questões de pesquisa predefinidas, restringindo sua capacidade para uma verdadeira investigação de final aberto. Além disso, embora gerem hipóteses iterativamente, eles carecem, em grande parte, da capacidade de sintetizar explicitamente suas próprias descobertas acumuladas para revelar fenômenos complexos e interconectados. Apresentamos o DiscoPER, uma estrutura autônoma baseada em grandes modelos de linguagem que realiza pesquisa de final aberto gerando e executando código dinamicamente para explorar conjuntos de dados sem objetivos de pesquisa predefinidos. Para garantir rigor científico, toda descoberta proposta deve passar por testes estatísticos. Para superar as limitações da busca isolada, nossa estrutura introduz um mecanismo de raciocínio de segunda ordem que analisa periodicamente suas próprias descobertas acumuladas. Ao tratar descobertas anteriores como dados empíricos, o DiscoPER identifica padrões estruturais, fatores de confusão e lacunas epistêmicas, redirecionando ativamente a exploração de hipóteses para regiões inexploradas do espaço de busca. O espaço de busca é ainda mais expandido pela incorporação do uso de ferramentas, permitindo que o sistema explore hipóteses além dos metadados estruturados ao processar e extrair informações úteis de fontes multimodais, como imagens, de forma integrada. Avaliado no iNatDisco, um novo benchmark multimodal de conhecimento ecológico com verdade fundamental em nível de padrão obtida da literatura revisada por pares, o DiscoPER recupera 8 dos 9 padrões conhecidos com uma taxa de suporte de hipóteses de 72,7%, superando tanto a descoberta causal clássica quanto as linhas de base guiadas por LLM. Estudos de ablação mostram que o DiscoPER escala com mais dados e confirmam os benefícios da meta-reflexão de segunda ordem.

English

Autonomous scientific discovery systems offer the potential to accelerate research by automating the process of hypothesis generation and validation. However, current systems operate within constrained search spaces or require predefined research questions, limiting their capacity for true open-ended inquiry. Furthermore, while they generate hypotheses iteratively, they largely lack the ability to explicitly synthesize their own accumulated findings to uncover complex, interconnected phenomena. We introduce DiscoPER, an autonomous large language model-powered framework that conducts open-ended research by dynamically generating and executing code to explore datasets without pre-specified research objectives. To ensure rigorous scientific validity, every proposed discovery must pass statistical testing. To overcome the limitations of isolated search, our framework introduces a second-order reasoning mechanism that periodically analyzes its own accumulated discoveries. By treating prior discoveries as empirical data, DiscoPER identifies structural patterns, confounds, and epistemic gaps, actively redirecting hypothesis exploration toward uncharted regions of the search space. The search space is further expanded by incorporating tool use, enabling the system to explore hypotheses beyond structured metadata by seamlessly processing and extracting useful information from multimodal sources like images. Evaluated on iNatDisco, a new multimodal ecological knowledge benchmark with pattern-level ground truth obtained from peer-reviewed literature, DiscoPER recovers 8 of 9 known patterns with a 72.7% hypothesis support rate, outperforming both classical causal discovery and LLM-guided baselines. Ablations show that DiscoPER scales with more data, and confirms the benefits of second-order meta-reflection.