arXiv · cs.AI· SiYuan Ma, Albert Gao, Chunzheng Zhu, Xin Yan, Wenlong Zhang, Wenxin Zhang, Luqi Gong, Tianlin Li, Qixin Zhang·· 2 天前精选
Learning to Outgrow a Theory：让科学发现系统超越初始假设空间
Learning to Outgrow a Theory: Experimental Discovery Beyond the Initial Hypothesis Space
arXiv:2610.07627v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：SiYuan Ma, Albert Gao, Chunzheng Zhu, Xin Yan, Wenlong Zhang, Wenxin Zhang, Luqi Gong, Tianlin Li, Qixin Zhang
研究任务与主要进展
研究提出实验模型类修订方法，让发现策略同时提出理论结构修改和用于检验其必要性的诊断实验。在400个留出的受控动力环境中，该联合策略以32次真实实验实现89.5%的精确恢复率，较最强匹配基线提高10.0个百分点，并减少实验执行次数和候选拟合次数；基于论文摘要，修订能力还迁移到未见机制组合、留出原语、参数外推、实验成本变化及 ODEBench、ODEBase 和 DiscoverPhysics 任务。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
本站判断
该工作将科学发现中的理论结构修改与诊断实验设计统一为序贯决策问题，并在400个受控动力环境中报告了89.5%的精确恢复率，较最强匹配基线高10.0个百分点。其价值在于能处理候选机制整体缺失的情形，但结论主要基于论文摘要中的模拟与基准结果，真实机制超出编辑语法时的识别能力仍取决于所采用的机制库和实验条件。
来源：arXiv · cs.AI · arxiv.org