Principia：从测试时假设到科学发现的原理构建

arXiv:2610.32195v1 公告类型：新 摘要：科学发现需要识别观测现象背后的科学原理，以指导后续研究。由于这些经验性原理在复杂的发现过程中往往是未知的，因此研究者通过“假设到原理”的流程，从测试时发现过程中逐步积累的观测结果中提取反复出现的因果关系，并构建这些原理。然而，构建这类知识需要大量领域专业知识、时间和精力，使这一转换阶段成为科学发现的瓶颈。为解决这一局限，我们提出了 Principia，这是一个基于 LLM 的框架，能够在测试时构建并持续改进科学原理。借鉴人类研究者发展原理的方式，Principia 根据相关输入及其观测结果形成比较性因果假设，然后将这些假设中的重复关系综合为归纳性原理。通过将构建出的假设和归纳性原理应用于任务，Principia 获取新的观测结果；随后依据这些新观测结果修订所使用的假设，并根据更新后的假设重新构建原理，从而使科学知识能够在整个测试时发现过程中持续演化。在涵盖分子优化、蛋白质工程、基因扰动和分子性质预测的多个基准测试中，Principia 的表现优于依赖内部知识、外部来源或经验总结的基线方法；同时，它所生成的原理具有合理性，并与科学文献保持一致，表明 Principia 能够在测试时有效构建和改进面向特定任务的假设与原理，从而促进科学发现。我们的代码已发布于 https://github.com/DongkiKim95/Principia。