发表机构
Toyota Motor Corporation; University of Tokyo; Nanyang Technological University; RIKEN（丰田汽车公司; 东京大学; 南洋理工大学; 理化学研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
该研究针对开放式科学发现的挑战，用可能性理论形式化溯因自主科学发现（AASD），提出可能性前沿搜索算法，在合成与真实任务上表现优异。
AI 中文摘要
基于大型语言模型（LLM）的自主科学发现需要在证据积累时自适应地生成和检验假设，同时保持统计有效性。现有的任何时间有效方法可处理依赖数据的假设，但开放式发现面临更深层挑战：已发现的最佳假设可能是“矮子里拔将军”，存在更优解释尚未被发现，甚至物理定律等背景知识也可能需根据新发现修正。为此，我们用可能性理论将该问题形式化为溯因自主科学发现（AASD），引入可计算的发现进展度量——溯因效用，以及首个AASD算法——可能性前沿搜索，该算法在合适条件下可保持任何时间有效性并渐近达到ε最优溯因效用。在合成与真实世界科学发现任务上的实验显示其性能优异。
英文摘要
Autonomous scientific discovery with LLMs requires generating and testing hypotheses adaptively as evidence accumulates while maintaining statistical validity. Existing anytime-valid methods can handle data-dependent hypotheses, but open-ended discovery poses a deeper challenge: the best discovered hypothesis may still be the best of a bad lot, with better explanations yet undiscovered, while even background knowledge such as physical laws may require revision in light of new findings. In response, we formalize the problem as Abductive Autonomous Scientific Discovery (AASD) using possibility theory. We introduce abductive utility, a computable measure of discovery progress, and possibility frontier search, the first algorithm for AASD, which maintains anytime validity and achieves $\varepsilon$-optimal abductive utility asymptotically under suitable conditions. Experiments on synthetic and real-world scientific-discovery tasks show strong performance.
