Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
BayesEvolve는 LLM 기반의 자율적 과학적 발견을 위해 명시적이고 불확실성을 인지하는 신념 상태를 활용하는 프레임워크입니다. 기존의 실험 메모리 방식 대신 예측적 신념을 사용하여 향후 실험을 안내함으로써 샘플 효율성을 높입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기자율적 과학적 발견 (Autonomous scientific discovery) 시스템은 새로운 가설을 제안하기 위해 대규모 언어 모델 (LLMs)을 점점 더 많이 사용하고 있지만, 이러한 시스템 중 다수는 주로 실험 메모리(experimental memory), 즉 높은 점수를 받은 후보들의 아카이브(archives)나 최근 실험의 휴리스틱 요약(heuristic summaries)에 의존합니다. 우리는 발견 에이전트 (discovery agents)가 대신 가설 품질에 대해 명시적이고 불확실성을 인지하는 신념 (uncertainty-aware beliefs)을 유지해야 한다고 주장합니다. 우리는 실험적 증거를 예측적 신념 상태 (predictive belief state)로 변환하고, 이 신념을 사용하여 향후 실험을 안내하는 신념 가이드형 발견 프레임워크 (belief-guided discovery framework)인 BayesEvolve를 소개합니다. 신념 가이드형 발견을 위한 통제된 테스트베드로서, 우리는 프로그램 및 실험실 발견 영역은 향후 과제로 남겨두고, 변화된 BBOB 스타일의 블랙박스 최적화 (black-box optimization) 작업에서 BayesEvolve를 평가합니다. BayesEvolve는 고정된 평가 예산 하에서 메모리 및 아카이브 가이드형 LLM 베이스라인 (baselines)보다 샘플 효율성 (sample efficiency)을 개선합니다. 나아가 우리는 신념 상태가 홀드아웃 후보 풀 (held-out candidate pools)에 대해 예측력을 가짐을 보여주며, 통제된 의사 결정 규칙 절제 연구 (decision-rule ablations)를 통해 어닐링된 불확실성 보너스 (annealed uncertainty bonus)를 가진 신념 가이드형 선택이 유리함을 보여줍니다. 또한 BayesEvolve는 초점이 맞지 않는 탐색 (unfocused exploration) 대신 생산적인 후기 단계 집중 (late-stage concentration)을 보여줍니다.