FlowPIE: Evolução de Ideias Científicas em Tempo de Teste com Exploração de Literatura Guiada por Fluxo
FlowPIE: Test-Time Scientific Idea Evolution with Flow-Guided Literature Exploration
March 31, 2026
Autores: Qiyao Wang, Hongbo Wang, Longze Chen, Zhihao Yang, Guhong Chen, Hamid Alinejad-Rokny, Hui Li, Yuan Lin, Min Yang
cs.AI
Resumo
A geração de ideias científicas (SIG) é crucial para a pesquisa autónoma orientada por IA, no entanto, as abordagens existentes são frequentemente limitadas por um paradigma estático de recuperação e depois geração, levando a ideias homogéneas e insuficientemente divergentes. Neste trabalho, propomos o FlowPIE, uma estrutura de recuperação-geração fortemente acoplada que trata a exploração da literatura e a geração de ideias como um processo em co-evolução. O FlowPIE expande trajetórias de literatura através de uma Busca em Árvore de Monte Carlo (MCTS) guiada por fluxo, inspirada nas GFlowNets, utilizando a qualidade das ideias atuais, avaliada por um modelo de recompensa generativa (GRM) baseado em LLM, como um sinal supervisionado para orientar a recuperação adaptativa e construir uma população inicial diversificada e de alta qualidade. Com base nesta população, o FlowPIE modela a geração de ideias como um processo de evolução de ideias em tempo de teste, aplicando seleção, cruzamento e mutação com o paradigma da ilha de isolamento e cálculo de aptidão baseado no GRM para incorporar conhecimento transdomínio. Mitiga eficazmente os "ecos de informação" que surgem da excessiva dependência do conhecimento paramétrico e da literatura estática. Avaliações extensivas demonstram que o FlowPIE produz consistentemente ideias com maior novidade, viabilidade e diversidade em comparação com estruturas robustas baseadas em LLM e em agentes, permitindo também a escalabilidade de recompensa durante o tempo de teste.
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.