FlowPIE: Эволюция научных идей в режиме тестирования с помощью потокового исследования литературы

FlowPIE: Test-Time Scientific Idea Evolution with Flow-Guided Literature Exploration

March 31, 2026

Авторы: Qiyao Wang, Hongbo Wang, Longze Chen, Zhihao Yang, Guhong Chen, Hamid Alinejad-Rokny, Hui Li, Yuan Lin, Min Yang

cs.AI

Аннотация

Генерация научных идей (SIG) имеет ключевое значение для автономных исследований на базе ИИ, однако существующие подходы часто ограничены статичной парадигмой «сначала поиск, затем генерация», что приводит к созданию однородных и недостаточно дивергентных идей. В данной работе мы предлагаем FlowPIE — тесно связанную框架 retrieval-generation, которая рассматривает исследование литературы и генерацию идей как совместно эволюционирующий процесс. FlowPIE расширяет литературные траектории с помощью поиска по дереву Монте-Карло (MCTS) с потоковым руководством, вдохновленного GFlowNets, используя качество текущих идей, оцениваемое генеративной моделью вознаграждения (GRM) на основе LLM, в качестве управляющего сигнала для адаптивного поиска и построения разнородной популяции высококачественных начальных идей. На основе этой популяции FlowPIE моделирует генерацию идей как процесс эволюции идей во время тестирования, применяя селекцию, кроссовер и мутацию в рамках парадигмы изолированных островов с вычислением приспособленности на основе GRM для включения междисциплинарных знаний. Данный подход эффективно смягчает проблему информационных пузырей, возникающих из-за чрезмерной зависимости от параметрических знаний и статичной литературы. Результаты масштабного оценивания демонстрируют, что FlowPIE стабильно генерирует идеи с более высокой новизной, осуществимостью и разнообразием по сравнению с мощными框架 на основе LLM и агентов, одновременно позволяя масштабировать вознаграждение во время тестирования.

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.