論文の概要: Principia: Test-Time Hypotheses to Principle Construction for Scientific Discovery

• arxiv url: http://arxiv.org/abs/2610.32195v1
• Date: Fri, 23 Oct 2026 05:46:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.399449
• Title: Principia: Test-Time Hypotheses to Principle Construction for Scientific Discovery
• Title（参考訳）: Principia: 科学的発見のための原則構築のためのテスト時間仮説
• Abstract要約: Principia は LLM ベースのフレームワークで、テスト時に科学的原則を構築し、継続的に洗練する。 構築された仮説と帰納的原理をタスクに適用することにより、新しい観測値を取得し、これらの新しい観測値に基づいて使用される仮説を再検討し、更新された仮説から原則を再構築する。
• 参考スコア（独自算出の注目度）: 69.82403661691005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific discovery requires identifying the scientific principles underlying observed phenomena to guide further investigation. As these empirical principles are often unknown in complex discovery processes, they are constructed via a hypotheses-to-principle pipeline to obtain recurring causalities from progressively accumulated observations during test-time discovery. However, constructing this knowledge requires substantial domain expertise, time, and effort, making this translation stage a bottleneck for scientific discovery. To address this limitation, we propose Principia, an LLM-based framework that constructs and continually refines scientific principles at test time. Drawing on how human researchers develop principles, Principia forms comparative causal hypotheses from related inputs and their observed outcomes, then synthesizes recurring relationships across these hypotheses into inductive principles. By applying the constructed hypotheses and inductive principles to the task, it obtains new observations, revises the hypotheses used based on these new observations, and reconstructs principles from the updated hypotheses, allowing scientific knowledge to continuously evolve throughout test-time discovery. Across benchmarks spanning molecular optimization, protein engineering, gene perturbation, and molecular property prediction, Principia outperforms baselines relying on internal knowledge, external sources, or experience summaries, while generating principles that are plausible and consistent with the scientific literature, demonstrating its effectiveness in constructing and refining task-specific hypotheses and principles at test time for scientific discovery. Our code is available at https://github.com/DongkiKim95/Principia.
• Abstract（参考訳）: 科学的発見は、さらなる調査を導くために観測された現象の基礎となる科学的原理を特定する必要がある。 これらの経験的原理は複雑な発見過程においてよく知られていないため、仮説から原理的なパイプラインを通して構築され、テスト時間発見中に徐々に蓄積された観測から繰り返し発生する因果関係を得る。 しかし、この知識を構築するには領域の専門知識、時間、努力が必要であり、この翻訳は科学的な発見のボトルネックとなる。 この制限に対処するため、我々はLLMベースのフレームワークであるPrincipiaを提案し、テスト時に科学的原理を構築し、継続的に洗練する。 プリンキピアは、人間の研究者が原理をどう発展させるかに基づいて、関連する入力と観察された結果から、比較因果仮説を形成し、これらの仮説にまたがる反復的な関係を帰納的原理に合成する。 構築された仮説と帰納的原理をタスクに適用することにより、新しい観察を取得し、これらの新しい観察に基づいて使用される仮説を修正し、更新された仮説から原則を再構築し、テスト時間発見を通して科学的知識が継続的に進化することを可能にする。 分子最適化、タンパク質工学、遺伝子摂動、分子特性予測にまたがるベンチマークでは、プリンキピアは、内部知識、外部ソース、または経験の要約に頼ってベースラインを上回り、科学的文献と妥当で整合性のある原理を生成し、科学的発見のテスト時にタスク固有の仮説と原理を構築し、精査する効果を実証している。 私たちのコードはhttps://github.com/DongkiKim95/Principia.comで入手可能です。

関連論文リスト

• Open-ended Scientific Discovery with Possibilistic Reasoning [11.609207758830012]
  既存の方法はデータに依存した仮説を処理できますが、オープンな発見はより深い課題を引き起こします。 我々は、可能性理論を用いて、この問題をAbductive Autonomous Scientific Discoveryとして定式化する。 合成および実世界の科学的発見タスクの実験は、強い性能を示す。
  論文  参考訳（メタデータ） (2026-10-08T05:52:14Z)
• Science sandboxes measure the scientific capability of AI agents [1.1846810006828092]
  AIエージェントでこの能力を研究するためのフレームワークであるScience Sandboxを紹介します。 我々はこの枠組みを、規制ゲノム学のモデルとタンパク質の適合性予測の2つの生物学的設定でインスタンス化する。 特に、彼らの科学的推論は、ルールがよく知られた生物学的先行概念の外に落ちているシステムに遭遇した時に悪化した。
  論文  参考訳（メタデータ） (2026-08-31T02:33:38Z)
• Active Inference AI Systems for Scientific Discovery [1.450405446885067]
  この観点では、進歩は抽象論、推論、経験的根拠の3つのギャップを互いに強化する。 デザイン原則は、想像空間を推論し、世界から学ぶシステムのために提案されている。
  論文  参考訳（メタデータ） (2025-06-26T14:43:04Z)
• MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
  先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。 我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。 我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
  論文  参考訳（メタデータ） (2025-05-23T13:24:50Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• 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)
• Optimal Learning for Sequential Decisions in Laboratory Experimentation [0.0]
  このチュートリアルは、実験科学者に意思決定の科学の基礎を提供することを目的としている。 学習政策の概念を導入し,主要な政策カテゴリを概観する。 次に、知識勾配と呼ばれるポリシーを導入し、各実験からの情報の価値を最大化する。
  論文  参考訳（メタデータ） (2020-04-11T14:53:29Z)

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。