⌁ Awesome Auto Research Hub 论文 · 数据集 · 项目
← 返回论文列表

面向科学发现的基于证据传递的协作式原理演化

arXiv 2026 51.4 method

TLDR

提出 COEVOLVE,通过并行原理演化分支间的证据传递实现协作式科学发现,提升解质量并加速。

评分理由

The paper proposes a novel coordination mechanism for parallel scientific discovery and provides empirical evidence of improved solution quality and speed. However, the abstract gives limited details on task domains, baselines, and potential limitations of the transfer safeguards.

Read-first 评分解释

综合优先阅读分 51.4,由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 52。

近期性 8%
100

使用温和的时间衰减,让近期论文更容易浮现,同时保留较早基础工作的价值。 年份:2026

方法质量 25%
70

检查可见的摘要与分析字段,寻找实验、数据集、基线、指标和局限性等方法证据。 命中信号:评估、结果

主题相关性 42%
43.3

使用现有 LLM 关键词相关性评分,并归一化到 0-100。 关键词:AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

可复现性 25%
30

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。 论文:有;代码:无;数据:无;命中信号:无

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性:volatile;排名波动范围:43。

关键词评分

automated scientific discovery
9
AI for scientific research
8
scientific discovery agent
8
automated research
7
research automation
7
autonomous research agent
6
AI scientist
5
automated experimentation
1
experiment design agent
1
literature review agent
0
survey generation
0
paper writing agent
0

深度分析

创新点

  • 将协作式科学发现表述为并行原理演化分支之间的证据传递,而非顺序搜索。
  • 提出 COEVOLVE,利用并行分支之上的协调核心,通过共享测量实现协作,同时保持各分支的原理后验分离。
  • 整合基于信息价值门控的路由和上下文折扣似然注入,以控制证据传递。
  • 确立了证据共享何时加速并行发现,以及何时需要传递保障来限制负面或惰性传递的条件。

方法

COEVOLVE 通过一个中央核心协调并行的原理演化分支,在分支间共享测量结果,同时通过基于信息价值门控的路由和上下文折扣似然注入保持后验分离。研究在匹配评估预算下于六个科学发现任务中进行评估,并与 GPT-5.6-Terra 骨干上的单分支原理演化进行比较;此外,还在五个委托给自主研究框架的自动研究任务上以已发表 SOTA 基准作为参照进行评估。

关键结果

在匹配评估预算下,COEVOLVE 的平均解质量为 66.5%,而单分支原理演化为 57.0%;在 GPT-5.6-Terra 上实现了 1.80 倍的平均墙钟加速。在五个自动研究任务中,它是唯一在每个任务上平均值均高于已发表 SOTA 基准的方案。

局限性

  • 在没有传递保障的情况下,证据共享可能产生负面或惰性传递,因此保障机制是必要的。

标签