Collaborative Principle Evolution via Evidence Transfer for Scientific Discovery
作者: Yingming Pu, Hongyu Chen, Tao Lin
分类: cs.LG
发布日期: 2026-09-28
💡 一句话要点
提出COEVOLVE以解决科学发现中的协作原则演化问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 科学发现 协作学习 证据转移 原则演化 大型语言模型
📋 核心要点
- 现有的原则演化方法在探索假设空间时效率低下，导致时间浪费和探索深度不足。
- 本文提出COEVOLVE，通过平行分支之间的证据转移实现协作科学发现，提升探索效率。
- 实验结果显示，COEVOLVE在多个任务中显著提高了解决质量和速度，超越了单分支方法和现有基准。
📝 摘要（中文）
基于大型语言模型（LLM）的代理有望自动化科学发现，但探索广泛的假设空间仍然成本高昂。现有的原则演化方法虽然加速了这一过程，但由于其顺序操作限制了探索的广度，并在复杂问题上浪费了时间。为此，本文将协作科学发现形式化为平行原则演化分支之间的证据转移，提出了COEVOLVE，通过协调核心实现这一转移。COEVOLVE通过信息价值引导路由和上下文折扣似然注入，使得分支能够在保持原则后验独立的同时，通过共享测量进行协作。在六个科学发现任务中，COEVOLVE的平均解决质量达到66.5%，而单分支原则演化为57.0%，在GPT-5.6-Terra基础上实现了1.80倍的平均时间加速；在五个自动研究任务中，COEVOLVE在每个任务上均超过了已发布的SOTA基准。这些结果表明，证据共享如何加速平行发现，以及何时需要转移保护措施以限制负面或无效转移。
🔬 方法详解
问题定义：本文旨在解决科学发现中现有原则演化方法的效率低下问题，特别是在面对复杂问题时的时间浪费和探索深度不足。
核心思路：COEVOLVE通过在平行原则演化分支之间进行证据转移，允许分支间的协作，从而加速探索过程，避免了顺序操作的局限性。
技术框架：COEVOLVE的整体架构包括一个协调核心，负责管理平行分支之间的证据转移。主要模块包括信息价值引导路由和上下文折扣似然注入，确保分支能够共享测量而不干扰各自的原则后验。
关键创新：COEVOLVE的主要创新在于其通过平行分支间的证据转移实现协作，而不是依赖于传统的顺序演化方法。这种设计使得探索过程更加高效。
关键设计：在参数设置上，COEVOLVE采用了信息价值引导路由来优化分支间的协作，同时使用上下文折扣似然注入来增强模型对共享信息的利用，确保了各分支的独立性与协作性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，COEVOLVE在六个科学发现任务中平均解决质量达到66.5%，显著高于单分支原则演化的57.0%。此外，COEVOLVE在GPT-5.6-Terra基础上实现了1.80倍的平均时间加速，且在五个自动研究任务中均超越了已发布的SOTA基准，显示出其卓越的性能。
🎯 应用场景
该研究的潜在应用领域包括科学研究、药物发现和材料科学等需要高效探索假设空间的领域。通过提升科学发现的效率，COEVOLVE有望加速新理论和技术的产生，推动科学进步。未来，该方法还可以扩展到其他需要协作探索的领域，如机器学习和数据挖掘。
📄 摘要（原文）
Large Language Model (LLM)-based agents promise to automate scientific discovery, yet exploring the vast hypothesis space remains costly. Existing principle-evolution methods accelerate this loop, but operate sequentially, which caps exploration breadth and wastes wall-clock time on challenging problems. To address this, we formulate collaborative scientific discovery as evidence transfer between parallel principle-evolution branches. We present COEVOLVE, which realizes this transfer through a coordination core over parallel branches. By integrating value-of-information-gated routing and context-discounted likelihood injection, COEVOLVE enables branches to collaborate through shared measurements while keeping their principle posteriors separate. Across six scientific-discovery tasks under a matched evaluation budget, COEVOLVE attains a mean solution quality of 66.5% versus 57.0% for single-branch principle evolution, with a 1.80x mean wall-clock speedup on the GPT-5.6-Terra backbone; on five auto-research tasks delegated to an autonomous research harness, it is the only arm whose mean stays above the published SOTA anchor on every task. These results establish when evidence sharing accelerates parallel discovery and when transfer safeguards are necessary to limit negative or inert transfers