Kevin Murphy提出MDA：LLM结合贝叶斯加速科学发现
sirbayes · x · 2026-08-12
Google DeepMind 研究员 Kevin Murphy 等人发布论文《Model Discovery Agent》，提出了一种结合大语言模型（LLM）与贝叶斯实验设计的新框架。该智能体利用 LLM 提出候选机制结构，并通过序列蒙特卡洛（SMC）和基于模拟的推理（SBI）来发现潜在的机制性世界模型。
主要贡献包括：
- MDA 框架：将 LLM 作为提议者，结合贝叶斯方法进行数据高效的模型发现，并扩展到真实模型不在当前假设空间内的 𝓜-open 场景。
- 达到 SOTA：在物理学和化学的两个现有发现基准测试中，以更少的实验次数达到了相同的准确率。
- NeuronBench：发布了一个全新的部分可观测、随机电生理学基准测试。
此外，论文还解释了其学习到的摘要为何能避免表征坍缩问题：通过预测参数的监督目标进行锚定，从而自适应 LLM 提出的各种通道。
所属事件:DeepMind研究员提出MDA：LLM+贝叶斯实现高效科学发现(7 条相关)→
「研究」频道最新
- Lean v4.35.0 自带四个已验证内核，其中之一由 Claude 写成并自证一致 — geoffreyirving · 2026-10-16
- MP-Bench：语音 Agent 群聊插话判断仅与抛硬币相当 — solyarisoftware · 2026-10-16
- 对 Qwen3-8B 做神经元级 GWAS+PheWAS，定位安全相关神经元 — Sauers_ · 2026-10-16
- 770B 参数压进 214GiB：腾讯混元量化团队拆解 Hy4 Preview 压缩术 — coolmum18 · 2026-10-16
- 200 局国际象棋实测：作者认为上下文学习目前并不奏效 — akbirthko · 2026-10-16
- LARK-Lab 提出 Mosaic：跨会话的 Agentic 强化学习新范式 — LARK-Lab · 2026-10-16