LLM自主发现发表在Nature上的科学假设？ICLR 2025 论文MOOSE-Chem深度解析

科技周边小白一枚，正在不断学习积累知识，现将学习到的知识记录一下，也是将我的所得分享给大家！而今天这篇文章《LLM自主发现发表在Nature上的科学假设？ICLR 2025 论文MOOSE-Chem深度解析》带大家来了解一下##content_title##，希望对大家的知识积累有所帮助，从而弥补自己的不足，助力实战开发！

人工智能的下一个前沿：引领科学发现

编辑 | ScienceAI

人工智能（AI）在自然语言处理和计算机视觉领域的成功有目共睹，但它能否推动科学理论的突破性发现？ ICLR 2025 接收论文《MOOSE-Chem: Large Language Models for Rediscovering Unseen Chemistry Scientific Hypotheses》对此进行了大胆探索。

该研究的核心问题是：大型语言模型（LLMs）能否仅基于化学研究背景信息，独立发现新颖且有效的化学科学假设？ 令人振奋的是，研究结果表明，LLMs 能够自主发现原创且可行的科学假设，甚至能够重新发现已发表在《Nature》和《Science》上的顶级化学研究假设。

为了排除数据污染的可能性，研究人员巧妙地将LLM的预训练数据截止时间与《Nature》和《Science》上文章的上线时间进行了区分。 这有力地证明了LLM自身在科学发现中的潜力。

这项研究不仅对科学假设的形成进行了数学建模，还提出了用于科学发现的自主式AI框架（Agentic AI for scientific discovery）。 该框架使LLM能够自动生成和筛选科学假设，为AI在科学研究中的应用开辟了新的途径。

论文链接：https://arxiv.org/abs/2410.07076

MOOSE-Chem 的核心假设是：化学研究假设并非凭空产生，而是由研究背景和研究灵感共同作用的结果。 研究团队结合认知科学、论文分析和数学建模，验证了这一假设，并建立了可供AI执行的科学发现框架。

MOOSE-Chem 核心假设的构建

(1) 认知科学的启示

创新往往源于已有知识的重新组合，这与知识重组理论和联想理论相符。 例如，反向传播算法的诞生以及许多新型催化剂的发现都印证了这一点。 这些理论为化学研究假设可能由背景知识和研究灵感组合产生提供了理论基础。

(2) 顶级化学论文的分析

研究团队利用核心假设、链式法则和马尔科夫性质，推导出一个近似公式，将复杂难建模的概率问题转化为一系列易于建模的小项乘积。

最终得到公式：图片 其中，I 代表所有化学科学文献。

MOOSE-Chem 框架：AI 如何实现自动科学发现？

1. 文献检索：寻找潜在研究灵感 图片

MOOSE-Chem 利用LLM结合信息检索技术，从海量化学文献中筛选潜在的研究灵感。 方法包括基于LLM的语义检索，通过语义相似性搜索找到与研究背景相关的文献。

2. 假设生成：构建研究假设 图片

MOOSE-Chem 基于研究背景和灵感，构建新的科学假设。 这包括基于LLM的Prompt生成和进化优化（包括变异、精炼和重组）两个步骤，以确保假设的质量。

3. 假设排序：筛选最优假设

MOOSE-Chem 使用基于GPT-4o的评分机制评估假设的创新性、合理性和可行性，从而筛选出最优假设。

主要实验结果与结论

实验结果表明，MOOSE-Chem 能够有效地识别相关文献、生成高质量假设并进行有效排序。 该框架在科学假设生成方面取得了显著进展，并有潜力成为科研人员的得力助手，辅助他们提出更具创新性和价值的研究假设。 尤其值得关注的是，MOOSE-Chem生成的假设能够在不接触真实假设的情况下，覆盖论文的核心创新点，这充分展现了其在科学发现领域的巨大潜力。

到这里，我们也就讲完了《LLM自主发现发表在Nature上的科学假设？ICLR 2025 论文MOOSE-Chem深度解析》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于人工智能,LLM,理论,数学建模的知识点！