Large Discovery Models：基于实证的模型驱动开放式搜索
研究人员提出了 Large Discovery Models（LDM），这是一种用于科学发现的循环架构，面向广阔、结构化且开放式的假设空间。LDM 将负责提出和改进候选方案的生成模型，与能够预测性能并量化不确定性的贝叶斯非参数代理模型结合起来。这些估计结果会指导候选方案的生成、改进和筛选；每获得新的实验观测数据，发现记忆和代理模型都会持续更新。在神经网络训练、抗体设计和分子优化三个场景中，LDM 的表现优于仅依赖大语言模型反思和传统统计搜索的方法。研究报告称，验证 BPB 的降幅提高了 2.4 倍，结合能相对降低 18.2%，分子多目标性能相对提升超过 60%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。