ScienceDiscovery实现树搜索驱动RSI加速科研
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把试错交给程序
ScienceDiscovery 的做法是把科研代码的反复试错交给程序自动完成。每一轮迭代依次经过四个环节：先挑出一个父版本，再由模型对代码进行改写，改写结果放进沙箱里评分，最后把这一轮的访问记录下来。每个版本都是搜索树上的一個节点，可以被后续轮次再次选中继续改写，也可以先搁置、之后再拿出来重改。得分高的分支会获得更多被改写的机会，而失败的版本同样进入树中并打上标记，不会因为一次评分不佳就被丢弃。沙箱负责隔离运行中出现的失败、死循环和超时，并且不预先对代码施加限制。这套机制让搜索过程本身留下完整痕迹，哪些方向被反复打磨、哪些尝试走不通，都能在树上看到。
振荡积分的两小时搜索
在振荡积分的半无穷区间任务上，题目共 38 道，但打分只使用其中 19 道。直接调用 scipy.integrate.quad 得到的分数是 −3.40，这 19 道里只有 3 道落进 3% 容差。搜索进行到第 119 个版本时，得分变为 −0.0007，19 道题全部算准，平均相对误差为 0.07%。最终得到的积分程序有 247 行，思路是先判断发散位置和振荡快慢，再按不同情况选择相应算法。整个积分搜索历时 2 小时，共产生 236 个版本，全程没有人工干预。这些数字放在一起，呈现的是一条从大量不达标到全部达标的路径，以及这条路径所消耗的版本数量与时间。
双精度求值的位数变化
₂F₁ 的双精度求值同样被拿来检验。基线 scipy.special.hyp2f1 在约三分之一的测试点上有效数字不足 10 位。用 glm-5.2 跑了 48 次扩展，耗时 598 秒，产出一个 199 行的 ₂F₁ 程序。在 1000 个新测试点上，平均正确位数从 9.836 提升到 11.771，正确位数在 10 位以上的点从 659 个增加到 965 个。这里的变化不是靠单次改写完成的，而是 48 次扩展累积的结果；评价方式也不是看某一道题是否算对，而是统计大量测试点上的有效位数分布。
基准任务与符号回归
AlgoTune 包含 154 个来自 numpy、scipy、networkx、cvxpy 的真实任务，按加速比评分。ScienceDiscovery 在 AlgoTune 上跑两个种子，平均加速 2.279 倍，耗时降到四成多。符号回归的 111 道题中，41.4% 写出了正确方程，每题平均调用 16.5 次，费用不足 3 元。对读者而言，这些结果说明该方法的适用范围覆盖数值积分、特殊函数求值、真实库任务加速和符号回归等不同类型，评价口径分别是容差内的正确率、有效位数、加速比与方程正确率；同时，积分搜索的 2 小时与 236 个版本、₂F₁ 的 598 秒与 48 次扩展，也标出了单次任务所需的搜索规模。
为什么值得看
自动化科研代码生成与优化，大幅提升科学发现效率，降低试错成本。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。