PiFlow: Принципно-ориентированное научное открытие с использованием мультиагентного взаимодействия

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

May 21, 2025

Авторы: Yingming Pu, Tao Lin, Hongyu Chen

cs.AI

Аннотация

Многоагентные системы (MAS), основанные на больших языковых моделях (LLM), демонстрируют значительный потенциал для научных открытий. Однако существующие подходы часто автоматизируют научные исследования с использованием заранее заданных рабочих процессов, которые не учитывают ограничения рациональности. Это зачастую приводит к бесцельному выдвижению гипотез и неспособности последовательно связывать гипотезы с доказательствами, что препятствует систематическому снижению неопределенности. Преодоление этих ограничений требует фундаментального подхода к систематическому снижению неопределенности. Мы представляем PiFlow, информационно-теоретическую структуру, которая рассматривает автоматизированное научное открытие как структурированную задачу снижения неопределенности, руководствуясь принципами (например, научными законами). В оценках, проведенных в трех различных научных областях — открытие структур наноматериалов, биомолекул и кандидатов в сверхпроводники с целевыми свойствами — наш метод значительно повышает эффективность открытий, что отражается в увеличении площади под кривой (AUC) значений свойств относительно шагов исследования на 73,55%, а также улучшает качество решений на 94,06% по сравнению с базовой агентной системой. В целом, PiFlow служит методом Plug-and-Play, устанавливая новый парадигмальный сдвиг в высокоэффективном автоматизированном научном открытии, прокладывая путь для более надежных и ускоренных исследований на основе ИИ. Код доступен публично на нашем {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}.