SwarmRSI: automiglioramento ricorsivo attraverso l’evoluzione di sciami di agenti scientifici

Abstract degli autori

L’automiglioramento ricorsivo (RSI) nella ricerca scientifica mira a potenziare le capacità di ricerca degli agenti attraverso la loro esperienza sperimentale. Gli sciami di agenti scientifici possono combinare evidenze e implementazioni provenienti da diverse direzioni di ricerca per orientare gli esperimenti successivi dei propri agenti. Tuttavia, quando i risultati sperimentali sono scarsi, può non essere chiaro se occorra rivedere un’ipotesi o la sua implementazione; inoltre, i punteggi complessivi dei programmi possono nascondere componenti utili ad altri agenti. Per affrontare queste difficoltà, presentiamo SwarmRSI, un framework che fa evolvere sciami di agenti scientifici per l’automiglioramento ricorsivo. Abbiamo ideato Feedback-Guided Swarm Mutation per perfezionare le ipotesi e le loro implementazioni usando il feedback sperimentale di altri agenti. Proponiamo inoltre Complementary Swarm Recombination per riutilizzare, tra agenti, le ipotesi conservate e i componenti complementari dei programmi, consentendo ai risultati parziali di sostenere nuove ricerche. Recursive Swarm Evolution integra entrambi i meccanismi in un ciclo di feedback, usando nuove evidenze sperimentali per orientare la ricerca successiva. Gli esperimenti su OpenProblems, NatureBench e MLE-Bench Lite mostrano che SwarmRSI raggiunge prestazioni allo stato dell’arte (SOTA). Ulteriori valutazioni mostrano che l’esperienza di ricerca accumulata migliora le prestazioni su compiti tenuti da parte. I biologi riproducono inoltre i suoi programmi per successive analisi biologiche.