PiFlow：通过多 Agent 协作实现的原理感知科学发现

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巨大的潜力。然而，现有方法通常使用预定义的工作流程来自动化科学发现，而缺乏理性约束。这常常导致漫无目标的假设以及未能将假设与证据持续关联，从而阻碍了系统性的不确定性降低。从根本上克服这些限制需要系统地降低不确定性。我们引入了 PiFlow，这是一个信息论框架，将自动化科学发现视为一个由原理（例如，科学定律）指导的结构化不确定性降低问题。在涵盖三个不同科学领域——发现纳米材料结构、生物分子以及具有目标性质的超导体候选物——的评估中，我们的方法显著提高了发现效率，体现在性质值相对于探索步骤的曲线下面积 (AUC) 增加了 73.55\%，并且与普通智能体系统相比，解决方案质量提高了 94.06\%。总的来说，PiFlow 是一种即插即用的方法，在高效的自动化科学发现中建立了新的范式转变，为更稳健、更快速的 AI 驱动研究铺平了道路。代码可在我们的 https://github.com/amair-lab/PiFlow 获取。