Autonomous Scientific Discovery via Iterative Meta-Reflection
作者: Bingchen Zhao, Sara Beery, Oisin Mac Aodha
分类: cs.CV, cs.AI
发布日期: 2026-07-01
💡 一句话要点
提出DiscoPER以解决自主科学发现中的开放性探索问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 自主科学发现 开放式研究 二阶推理 多模态数据 假设生成 统计测试 生态学 知识发现
📋 核心要点
- 现有的自主科学发现系统在搜索空间上受到限制，无法进行真正的开放式探究。
- DiscoPER通过动态生成和执行代码，结合二阶推理机制，能够自主探索数据集并识别知识空白。
- 在iNatDisco基准测试中，DiscoPER成功恢复了8个已知模式，假设支持率达到72.7%，表现优于传统方法。
📝 摘要（中文）
自主科学发现系统有潜力通过自动化假设生成和验证来加速研究。然而，现有系统在搜索空间上受到限制，或需要预定义的研究问题，限制了真正开放式探究的能力。本文介绍了DiscoPER，一个基于大型语言模型的框架，能够在没有预设研究目标的情况下动态生成和执行代码以探索数据集。为确保科学有效性，所有提出的发现必须通过统计测试。DiscoPER引入了二阶推理机制，定期分析自身的发现，识别结构模式和知识空白，积极引导假设探索未开发的搜索区域。该框架在iNatDisco基准上评估，成功恢复了9个已知模式中的8个，假设支持率达到72.7%，超越了传统因果发现和LLM引导的基线。
🔬 方法详解
问题定义：本文旨在解决现有自主科学发现系统在开放式研究中的局限性，尤其是在搜索空间和假设生成的灵活性方面。现有方法往往依赖于预定义的研究问题，限制了探索的广度和深度。
核心思路：DiscoPER的核心思路是通过动态生成和执行代码来进行开放式研究，结合二阶推理机制来分析自身的发现，从而识别结构模式和知识空白，推动假设探索向未开发区域扩展。
技术框架：DiscoPER的整体架构包括数据集探索模块、假设生成模块和二阶推理模块。系统首先通过动态代码执行探索数据集，然后生成假设，并利用二阶推理分析已生成的发现，指导后续的探索。
关键创新：DiscoPER的主要创新在于引入了二阶推理机制，使系统能够对自身的发现进行反思和分析，从而识别出潜在的知识空白和结构模式。这一机制与传统的假设生成方法有本质区别，后者通常缺乏自我分析能力。
关键设计：在技术细节上，DiscoPER采用了统计测试来验证假设的有效性，并通过多模态信息处理能力扩展搜索空间，能够从图像等非结构化数据中提取有用信息。
🖼️ 关键图片
📊 实验亮点
在iNatDisco基准测试中，DiscoPER成功恢复了8个已知模式，假设支持率达到72.7%。这一结果显著优于传统因果发现方法和基于大型语言模型的基线，展示了其在开放式科学发现中的有效性和优势。
🎯 应用场景
DiscoPER的研究成果具有广泛的应用潜力，尤其在生态学、医学研究和社会科学等领域。通过自主探索和发现新知识，该系统能够加速科学研究进程，推动新理论和新发现的产生，具有重要的实际价值和未来影响。
📄 摘要（原文）
Autonomous scientific discovery systems offer the potential to accelerate research by automating the process of hypothesis generation and validation. However, current systems operate within constrained search spaces or require predefined research questions, limiting their capacity for true open-ended inquiry. Furthermore, while they generate hypotheses iteratively, they largely lack the ability to explicitly synthesize their own accumulated findings to uncover complex, interconnected phenomena. We introduce DiscoPER, an autonomous large language model-powered framework that conducts open-ended research by dynamically generating and executing code to explore datasets without pre-specified research objectives. To ensure rigorous scientific validity, every proposed discovery must pass statistical testing. To overcome the limitations of isolated search, our framework introduces a second-order reasoning mechanism that periodically analyzes its own accumulated discoveries. By treating prior discoveries as empirical data, DiscoPER identifies structural patterns, confounds, and epistemic gaps, actively redirecting hypothesis exploration toward uncharted regions of the search space. The search space is further expanded by incorporating tool use, enabling the system to explore hypotheses beyond structured metadata by seamlessly processing and extracting useful information from multimodal sources like images. Evaluated on iNatDisco, a new multimodal ecological knowledge benchmark with pattern-level ground truth obtained from peer-reviewed literature, DiscoPER recovers 8 of 9 known patterns with a 72.7% hypothesis support rate, outperforming both classical causal discovery and LLM-guided baselines. Ablations show that DiscoPER scales with more data, and confirms the benefits of second-order meta-reflection.