PiFlow: Principle-aware Scientific Discovery with Multi-Agent Collaboration

基于大型语言模型（LLM）的多智能体系统（MAS）在科学发现方面展现出显著潜力。然而，现有的方法通常通过预定义的工作流来自动化科学发现，而这些工作流缺乏理性约束。这往往导致无目的的假设生成，以及无法持续将假设与证据相联系，从而阻碍了系统性的不确定性减少。克服这些限制从根本上需要系统化的不确定性减少。我们提出了 **PiFlow**，这是一个基于信息理论的框架，将自动化的科学发现视为一个由原则（例如科学定律）引导的结构化不确定性减少问题。在三个不同的科学领域中进行评估——包括发现纳米材料结构、生物分子以及具有目标特性的超导体候选物——我们的方法显著提高了发现效率，表现为属性值与探索步骤之间的曲线下面积（AUC）增加了 73.55%，并且相比普通的智能体系统，解决方案的质量提升了 94.06%。总体而言，**PiFlow** 是一种即插即用的方法，开创了高效自动化科学发现的新范式，为更强大和加速的人工智能驱动研究铺平了道路。代码已公开发布于我们的 [GitHub](https://github.com/amair-lab/PiFlow)。

论文试图解决现有基于大型语言模型（LLM）的多智能体系统在自动化科学发现中缺乏理性约束的问题，导致无目标假设和难以将假设与证据有效链接，从而影响系统性不确定性降低的效率。这是一个重要的问题，但并非全新的问题，而是对现有方法的一种改进需求。

论文提出了一种名为PiFlow的信息理论框架，将自动化科学发现视为一个结构化的不确定性减少问题，并通过科学原则（如科学定律）进行引导。相比当前领域研究，PiFlow强调了以信息论为基础的理性决策过程，显著提升了探索效率和解决方案质量。

1. 在三个不同科学领域（纳米材料结构、生物分子和超导体候选物）中进行了验证，展示了其广泛适用性；2. 实验结果表明，相较于传统方法，PiFlow在探索效率上提升了73.55%，在解决方案质量上提高了94.06%；3. 提供了开源代码，便于学术界复现和进一步研究；4. 强调了插件式设计，使其易于集成到其他科学任务中。

近期相关研究包括：1. 'Automated Scientific Discovery via Multi-Agent Reinforcement Learning'，探讨了多智能体系统在科学发现中的应用；2. 'Bayesian Optimization for Materials Discovery'，提出了贝叶斯优化在材料科学中的高效探索方法；3. 'Knowledge-Guided Exploration in Scientific Machine Learning'，研究了知识引导的科学机器学习方法；4. 'Uncertainty Quantification in AI-Driven Science'，专注于人工智能驱动科学中的不确定性量化技术。这些工作共同推动了自动化科学发现领域的进步。