通过多保真度成对排序应对验证拥堵的科学发现

arXiv:2610.01827v1 发布类型：新 摘要：现代计算方法如今能够以前所未有的规模提出候选分子、材料及其他科学设计，从而造成验证拥堵：候选方案数量庞大，但用于实际评估它们的实验能力仍然稀缺。因此，发现新颖的科学设计越来越依赖于筛选整理：从中选出少量有希望的设计，进行缓慢且成本高昂的实验。现有的筛选整理方法通常依赖数据驱动的回归模型来预测绝对得分，但训练这些模型本身就需要大量实验数据。然而，有用的筛选信号不一定要采取绝对测量值的形式，因为科学设计发现通常具有比较性质。在此，我们提出，筛选整理可以主要由专家成对排序驱动，而成对排序的收集难度要低得多。专家意见可以来自计算工具，也可以来自不同层次的人工输入，其保真度范围从经验法则，到智能体工作流，再到资深科学家的判断。我们提出 PRISMS，这是一种利用一个或多个专家的成对排序（这些专家的专业水平可能存在多个层次）来识别最有希望候选方案的框架，而无需依赖数据需求高的回归器。当专家的保真度和成本不同时，PRISMS 会依据 Fisher 信息准则，将成对查询从低保真度排序器逐步升级到高保真度排序器。在从固定药物发现库中筛选设计的迭代筛选任务中，PRISMS 达到前十名发现召回率 50% 所需的轮数，比仅使用回归的主动学习方法约少 42%，比不进行选择性升级的基于排序的方法约少 15%。在不受预定义库限制、能够生成新设计的优化任务中，PRISMS 的超体积比贝叶斯优化基线高约 18.8%。