論文の概要: Towards Diverse Scientific Hypothesis Search with Large Language Models

• arxiv url: http://arxiv.org/abs/2606.10587v1
• Date: Tue, 09 Jun 2026 08:52:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.401518
• Title: Towards Diverse Scientific Hypothesis Search with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた多言語科学的仮説探索に向けて
• Authors: Haorui Wang, Parshin Shojaee, Kazem Meidani, Kunyang Sun, José Miguel Hernández-Lobato, Teresa Head-Gordon, Jiajun He, Chandan K. Reddy, Chao Zhang, Yuanqi Du,
• Abstract要約: 仮説探索をサンプリング問題として定式化し、固定された検証予算の下で多種多様な高品質な仮説を効率的に生成することを目的とする。 分子発見,方程式発見,アルゴリズム発見を含む領域にわたって,我々のアプローチは,同じ検証予算の下で仮説の品質と多様性の両方を一貫して改善する。
• 参考スコア（独自算出の注目度）: 46.83325596046927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are on the rise for accelerating scientific discovery, most recently in advanced tasks such as generating valid scientific hypotheses. Yet in many discovery settings, the goal is not to identify a single best hypothesis since validation can be noisy and expensive, and scientists benefit from a set of high-quality alternative hypotheses that hedge against downstream uncertainty for the best solutions. Nevertheless, commonly used evolutionary search recipes tend to prioritize optimization over exploration in hypothesis generation, and the resulting selection pressure during the search process leads to diversity collapse. Motivated by these limitations, we formulate hypothesis search as a sampling problem, where the objective is to efficiently produce diverse, high-quality hypotheses under a fixed validation budget. Building on this perspective, we propose \ours, an evolutionary framework inspired by the classical parallel tempering algorithm that searches hypotheses at multiple temperature levels and enables principled information exchange across temperatures to improve exploration without disrupting convergence. Across domains including molecular discovery, equation discovery, and algorithm discovery, our approach consistently improves both hypothesis quality and diversity under the same validation budget, and produces candidates that remain robust under more expensive downstream computational validations.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は科学的発見を加速させつつあるが、近年では科学的仮説の有効な生成のような高度なタスクも行われている。 しかし、多くの発見環境では、バリデーションは騒々しく高価であるため、単一のベスト仮説を特定することが目的ではなく、科学者は、最高のソリューションのために下流の不確実性に対処する高品質な代替仮説の集合から恩恵を受ける。 それでも、一般的に使われている進化的探索レシピは、仮説生成における探索よりも最適化を優先する傾向にあり、その結果、探索過程における選択圧力は多様性の崩壊につながる。 これらの制限により、我々は、仮説探索をサンプリング問題として定式化し、固定された検証予算の下で、多種多様な高品質な仮説を効率的に生成することを目的としている。 この観点から,複数の温度レベルで仮説を探索し,温度間での原理的な情報交換を可能にし,収束を乱すことなく探索を改善する,古典的並列テンパリングアルゴリズムにインスパイアされた進化的フレームワークである \ours を提案する。 分子探索,方程式探索,アルゴリズム発見などを含む領域にわたって,我々のアプローチは,同じ検証予算の下で仮説品質と多様性を一貫して改善し,より高価な下流の計算検証の下で頑健な候補を生成する。

関連論文リスト

• Accelerating Social Science Research via Agentic Hypothesization and Experimentation [33.55093074029515]
  ExPERIGENは、ベイズ最適化によって2相探索にインスパイアされたエンドツーエンド発見を運用するフレームワークである。 より統計的に有意な仮説が2～4倍の確率で発見され、従来の手法よりも7～17%の確率で予測できる。 LLM産生仮説の最初のA/B試験を行い, 統計的に有意な結果を示した。
  論文  参考訳（メタデータ） (2026-02-08T14:20:56Z)
• Bayes-Entropy Collaborative Driven Agents for Research Hypotheses Generation and Optimization [4.469102316542763]
  本稿では,HypoAgentsと呼ばれるマルチエージェント協調フレームワークを提案する。 多様性のサンプリングを通じて仮説を生成し、事前の信念を確立する。 その後、外部文献の証拠収集にRAG(erieval-augmented generation)を採用している。 情報エントロピー$H = - sum p_ilog p_i$ を用いて高不確かさ仮説を特定し、それらを積極的に洗練する。
  論文  参考訳（メタデータ） (2025-08-03T13:05:32Z)
• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• MOOSE-Chem2: Exploring LLM Limits in Fine-Grained Scientific Hypothesis Discovery via Hierarchical Search [102.11776494401705]
  大規模言語モデル (LLM) は科学的仮説生成の自動化において有望であることを示している。 既存のアプローチは主に、批判的な方法論や実験的な詳細を欠いた粗粒の仮説を導出する。 我々は、科学的仮説発見の新しいタスクを導入し、正式に定義する。
  論文  参考訳（メタデータ） (2025-05-25T16:13:46Z)
• HypoBench: Towards Systematic and Principled Benchmarking for Hypothesis Generation [24.656083479331645]
  仮説生成手法を複数の側面にわたって評価するための新しいベンチマークである hypoBench を紹介する。 既存の6つの仮説生成手法と組み合わせた4つの最先端LCMの評価を行った。 結果は、現在の仮説生成手法がすべての関連するパターンや意味のあるパターンを完全には明らかにしていないため、改善の余地がまだ大きいことを示している。
  論文  参考訳（メタデータ） (2025-04-15T18:00:00Z)
• HypBO: Accelerating Black-Box Scientific Experiments Using Experts' Hypotheses [0.0]
  我々は、仮説の形で専門的な人間の知識を活用して、ベイズ的な探索をより早く、有望な化学空間の領域に誘導する。 提案手法はHypBOと呼ばれ, 改良された種子のサンプルを生成するために, 専門家による仮説を用いている。
  論文  参考訳（メタデータ） (2023-08-22T20:59:21Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。