EO-Agents: A Three-Agent LLM Pipeline for Earth Observation Hypothesis Generation

📄 arXiv: 2607.01584v1 📥 PDF

作者: Mahyar Ghazanfari, Amin Tabrizian, Armin Mehrabian, Peng Wei

分类: cs.AI

发布日期: 2026-07-02

备注: Accepted at the ICML 2026 AI for Science Workshop

💡 一句话要点

提出EO-Agents以解决地球观测假设生成问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 地球观测 假设生成 知识图谱 图神经网络 大型语言模型 科学研究 数据集配对

📋 核心要点

  1. 现有方法主要依赖非结构化文献，缺乏系统性和结构化的假设生成方式。
  2. 论文提出了一种基于NASA知识图谱的三代理LLM管道，直接进行假设生成和评估。
  3. 系统在1475个NASA数据集上生成160个假设，显示出较高的科学可信度和创新性。

📝 摘要（中文）

近年来，大型语言模型在科学假设生成方面得到了探索，但大多数研究依赖于非结构化文献和自由形式的文本声明。本文提出了一种地球观测假设生成的管道，直接基于NASA地球观测知识图谱进行假设生成。通过训练异构图神经网络，系统对历史共用关系进行排名，并通过三代理LLM管道过滤、生成和评估结构化研究假设。该系统应用于1475个NASA数据集，生成了涵盖生态水文学、冰川学、气溶胶-云相互作用、植被物候和平流层化学等多个地球科学领域的160个假设。模型预测的新数据集配对的可信度几乎与文献中保留的真实共用关系相当，表明该管道能够提出科学上连贯但尚未探索的组合。

🔬 方法详解

问题定义：本文旨在解决当前科学假设生成方法依赖非结构化文献的问题，导致生成的假设缺乏系统性和科学性。

核心思路：通过构建一个基于NASA地球观测知识图谱的管道，利用异构图神经网络和三代理LLM，系统化地生成和评估研究假设。

技术框架：整体架构包括三个主要模块：数据集配对的排名、假设生成和假设评估。首先，异构图神经网络对数据集进行排名，然后通过LLM生成假设，最后对生成的假设进行评估。

关键创新：最重要的创新在于将知识图谱与图神经网络结合，直接从结构化数据中生成假设，而不是依赖于自由文本，显著提高了假设的科学性和相关性。

关键设计：在模型设计中，使用了特定的损失函数来优化假设生成的质量，并通过多轮评估确保假设的可靠性和创新性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，系统在1475个NASA数据集上生成的160个假设，模型预测的新数据集配对的可信度与文献中真实共用关系相当，显示出该方法在科学假设生成中的有效性和创新性。

🎯 应用场景

该研究的潜在应用领域包括环境监测、气候变化研究和资源管理等。通过系统化的假设生成，研究人员可以更有效地探索新的科学问题和数据集组合，推动地球科学领域的研究进展。

📄 摘要（原文）

Large language models have recently been explored for scientific hypothesis generation, but most prior work relies on unstructured literature and free-form textual claims. We present a pipeline for Earth observation that grounds hypothesis generation directly in the NASA Earth Observation Knowledge Graph. A heterogeneous graph neural network trained on historical co-usage relations ranks candidate dataset pairings, and a three-agent LLM pipeline filters, generates, and evaluates structured research hypotheses. Applied to 1,475 NASA datasets, the system produces 160 hypotheses spanning multiple Earth-science domains, including ecohydrology, glaciology, aerosol--cloud interactions, vegetation phenology, and stratospheric chemistry. Model-predicted novel dataset pairings are rated nearly as plausible as held-out real co-usages from the literature, indicating that the pipeline surfaces scientifically coherent yet unexplored combinations. A 222 factorial experiment across GPT-5.2 and Claude Sonnet 4.6 shows that hypothesis rankings remain stable, while absolute scores depend strongly on judge identity, highlighting limitations of single-judge LLM evaluation.