Автономное научное открытие посредством итеративной метарефлексии

Аннотация

Автономные системы научных открытий обладают потенциалом ускорения исследований за счет автоматизации процесса генерации и проверки гипотез. Однако текущие системы работают в ограниченных пространствах поиска или требуют заранее заданных исследовательских вопросов, что ограничивает их способность к истинно открытому исследованию. Кроме того, хотя они и генерируют гипотезы итеративно, им в значительной степени не хватает способности явно синтезировать собственные накопленные результаты для выявления сложных взаимосвязанных явлений. Мы представляем DiscoPER — автономную среду на основе большой языковой модели, которая проводит открытые исследования, динамически генерируя и выполняя код для изучения наборов данных без предварительно заданных исследовательских целей. Для обеспечения строгой научной обоснованности каждое предлагаемое открытие должно проходить статистическую проверку. Чтобы преодолеть ограничения изолированного поиска, наша среда вводит механизм рассуждений второго порядка, который периодически анализирует собственные накопленные открытия. Рассматривая предыдущие открытия как эмпирические данные, DiscoPER выявляет структурные закономерности, смешивающие факторы и эпистемические пробелы, активно перенаправляя исследование гипотез в неизведанные области пространства поиска. Пространство поиска дополнительно расширяется за счет использования инструментов, что позволяет системе исследовать гипотезы за пределами структурированных метаданных, беспрепятственно обрабатывая и извлекая полезную информацию из мультимодальных источников, таких как изображения. Оцененный на iNatDisco — новом мультимодальном бенчмарке экологических знаний с эталонными паттернами, полученными из рецензируемой литературы, DiscoPER восстанавливает 8 из 9 известных паттернов с показателем поддержки гипотез 72,7%, превосходя как классические методы выявления причинно-следственных связей, так и базовые подходы с направляющей ролью LLM. Абляционные эксперименты показывают, что DiscoPER масштабируется с увеличением объема данных, и подтверждают преимущества мета-рефлексии второго порядка.

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.