論文の概要: HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Scientific Hypotheses

• arxiv url: http://arxiv.org/abs/2609.15938v1
• Date: Mon, 14 Sep 2026 17:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.537537
• Title: HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Scientific Hypotheses
• Title（参考訳）: マルチエージェントLCMで科学的仮説を発見できる遺伝的アルゴリズム「HypoEvolve」
• Abstract要約: エージェントコラボレーションの異なる形態が仮説品質にどのように影響するかは、未解決の問題である。 仮説人口の連続的な更新を通じて協調を明確にするHypoEvolveを紹介する。 各世代は、科学的判断と新しい提案がいかに人口を再形成するかを規定し、仮説品質への協調効果を直接的に検証できる。
• 参考スコア（独自算出の注目度）: 35.57672494910454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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 to coordinate specialized large language model (LLM) agents that integrate mechanistic arguments, reconsider assumptions, and assess evidence and testability. Each generation specifies how scientific judgments and new proposals reshape the population, making collaboration effects on hypothesis quality directly testable. Moreover, we design our evaluation around scientifically meaningful hypotheses that explain how a proposed intervention could work. Drug repurposing links these explanations to target-level biological claims assessed against external evidence. Specifically, we adapt DepMap and Open Targets into complementary external measures grounded in experimental, genetic, and clinical evidence. Across 34 cancer types, HypoEvolve achieves the highest scores against six baselines on both measures. DepMap selectivity reaches 0.171, versus 0.115 for the strongest baseline. Gains over single-pass generation also generalize to held-out cancer types. HypoEvolve advances a vision of autonomous science in which AI research teams achieve a capacity for discovery beyond that of individual models.
• Abstract（参考訳）: 科学的エージェントは、証拠を合成し、提案を評価し、新しい説明を開発することによって仮説発見に寄与する。 近年のシステムでは、科学的エージェントと、批判、比較、修正による進化的探索が組み合わされている。 しかし、エージェントコラボレーションの異なる形態が仮説品質にどのように影響するかは、未解決の問題である。 この疑問に答えるためには、エージェントの科学的能力と、彼らのコラボレーションの効果を分離する必要がある。 したがって、フレームワークはエージェントの科学的な役割を保持し、仮説を組み合わせ、修正し、維持するための規則をサポートする必要がある。 この観点から,仮説人口の連続的な更新を通じて協調を明確にするHypoEvolveを導入する。 具体的には、機械的議論を統合し、仮定を再考し、エビデンスとテスト容易性を評価する特殊な大規模言語モデル(LLM)エージェントを協調する世代遺伝アルゴリズムを提案する。 各世代は、科学的判断と新しい提案がいかに人口を再形成するかを規定し、仮説品質への協調効果を直接的に検証できる。 さらに,提案する介入がどのように機能するかを説明する科学的に意味のある仮説に関する評価を設計する。 薬物の回収は、これらの説明を、外部の証拠に対して評価された標的レベルの生物学的クレームにリンクさせる。 具体的には、DepMapとOpen Targetsを、実験的、遺伝的、臨床的証拠に基づく補完的な外部尺度に適合させる。 34種類のがんに対して、HypoEvolveは2つの尺度で6つの基準値に対して最高点を達成している。 DepMapの選択率は0.171、最強のベースラインは0.115に達する。 シングルパス生成以上のゲインは、ホールドアウトがんタイプにも一般化される。 hypoEvolveは、AI研究チームが個々のモデル以上の発見能力を達成する、自律科学のビジョンを前進させる。

関連論文リスト

• EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation [68.80901568810616]
  EvoSCMは、新しい証拠が収集されるにつれて進化する明確な構造因果モデルを持つ科学エージェントを装備することを目的としている。 EvoSCM onPhysicsはエージェントが実験を通して非標準物理世界の隠れたダイナミクスを明らかにするのに必要なベンチマークである。
  論文  参考訳（メタデータ） (2026-09-01T16:55:56Z)
• Toward Auditable AI Scientists: A Hypothesis Evolution Protocol for LLM Agents [0.42970700836450476]
  大規模言語モデル(LLM)エージェントは、AIによる科学的発見において、ますます中心的な役割を果たすことが期待されている。 本稿では、仮説生成、評価、進化を明示的で監査可能な操作として提供するエージェントハーネスである仮説進化プロトコル(HEP)を提案する。 材料科学研究タスクにおいて、HEPを組み込んだエージェントは、計画的なエージェントが欠如している仮説-テスト-エビデンス-ビリーフサイクルを運用し、研究課題を一般化し、基礎LLMがより有能になるにつれてプロトコルをより完全に活用する。
  論文  参考訳（メタデータ） (2026-07-10T08:39:30Z)
• HypoAgent: An Agentic Framework for Interactive Abductive Hypothesis Generation over Knowledge Graphs [52.91976391891331]
  知識グラフに対する帰納的推論は、観察された実体や事実を説明する論理的仮説を生成することを目的としている。 既存の制御可能な仮説生成手法により、ユーザーは明示的な条件でこのプロセスをガイドすることができる。 本稿では,知識グラフ上での対話的帰納的仮説生成のためのエージェントフレームワークであるHypoAgentを提案する。
  論文  参考訳（メタデータ） (2026-05-29T14:40:37Z)
• Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
  この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。 本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。 実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
  論文  参考訳（メタデータ） (2025-10-08T08:47:07Z)
• 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)
• Towards an AI co-scientist [48.11351101913404]
  Gemini 2.0上に構築されたマルチエージェントシステムであるAIコサイシストを紹介する。 このAIの共同科学者は、新しい独創的な知識を解明し、明らかに新しい研究仮説を定式化することを目的としている。 システムの設計には、科学的手法にインスパイアされた仮説生成への生成、議論、進化のアプローチが組み込まれている。
  論文  参考訳（メタデータ） (2025-02-26T06:17:13Z)
• BoxingGym: Benchmarking Progress in Automated Experimental Design and Model Discovery [32.395366135636046]
  実験的な設計とモデル発見を評価するための10環境のベンチマークであるBoxingGymを紹介する。 予測情報ゲイン(EIG)は,実験が生成モデルのパラメータの不確実性をどの程度低減するかを測定する情報理論量である。 GPT-4oのような現在のLLMは、実験的な設計とモデル発見の両方に苦戦している。
  論文  参考訳（メタデータ） (2025-01-02T21:15:57Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)

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。