[论文] HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Sci...

论文概要

研究领域: NLP
作者: Jieyuan Liu, Mengzhou Hu, Jefferson Chen, JungHo Kong, Pratibha Jagannatha, Yiming Gao, Dexter Pratt, Hsin-Yuan Lee, Zhiting Hu, Trey Ideker, Wei Wang, Eric P. Xing, Zhen Wang
发布时间: 2026-09-14
arXiv: 2609.15938

中文摘要

科学智能体通过综合证据、评估方案和提出新解释来促进假设发现。最近的系统将科学智能体与进化搜索相结合，通过批评、比较和修订来改进方案。然而，不同形式的智能体协作如何影响假设质量仍是一个开放问题。回答这个问题需要将智能体的科学能力效应与协作效应分离。因此，框架必须保留智能体的科学角色，并支持组合、修订和保留假设的规则。基于这一观点，我们引入 HypoEvolve，通过对假设种群的连续更新使协作显式化。具体来说，我们提出一种世代遗传算法来协调专门的LLM智能体，整合机制论证、重新考虑假设、评估证据和可检验性。每一代指定科学判断和新提案如何重塑种群，使协作对假设质量的影响可以直接检验。此外，我们的评估围绕具有科学意义的假设展开——解释干预措施可能如何起效。药物再利用将这些解释与目标层面的生物学声明联系起来，对照外部证据进行评估。具体而言，我们将 DepMap 和 Open Targets 改造为基于实验、遗传和临床证据的互补外部度量。在34种癌症类型中，HypoEvolve 在两种度量上均取得六个基线中的最高分。DepMap 选择性达到0.171，而最强基线为0.115。相对于单次生成的增益还可泛化到保留的癌症类型。HypoEvolve 推进了一种自主科学的愿景：AI研究团队实现超越单个模型的发现能力。

原文摘要

Scientific agents contribute to hypothesis discovery by synthesizing evidence, assessing proposals, and developing new explanations. Recent systems combine scientific agents with evolutionary search through critique, comparison, and revision. However, how different forms of agent collaboration affect hypothesis quality remains an open question. Answering this question requires separating the effects of agents' scientific capabilities from those of their collaboration. A framework must therefore preserve agents' scientific roles and support rules for combining, revising, and retaining hypotheses. Building on this view, we introduce HypoEvolve, which makes collaboration explicit through successive updates to a hypothesis population. Specifically, we propose a generational genetic algorithm t...

自动采集于 2026-09-16

#论文 #arXiv #NLP #小凯