计算机科学 > 机器学习
[提交于 2025年8月27日
]
标题: 超越优化:探索自主实验中的新颖性发现
标题: Beyond Optimization: Exploring Novelty Discovery in Autonomous Experiments
摘要: 自主实验(AEs)通过将人工智能与自动化实验平台相结合,正在改变科学研究的进行方式。 当前的AEs主要集中在预定义目标的优化;虽然加速了这一目标,但这种方法限制了意外或未知物理现象的发现。 在这里,我们引入了一个新框架, INS2ANE(集成新颖性评分-战略自主非光滑探索),以增强自主实验中新颖现象的发现。 我们的方法集成了两个关键组件:(1)一个新颖性评分系统,用于评估实验结果的独特性,以及(2)一种战略采样机制,即使在传统标准下看起来不太有希望的区域,也会促进对未充分采样的区域的探索。 我们在一个具有已知真实值的预先获取数据集上验证了这种方法,该数据集包括图像光谱对。 我们进一步在自主扫描探针显微镜实验中实现了这一过程。 与传统优化程序相比,INS2ANE显著增加了探索现象的多样性,提高了发现之前未观察到现象的可能性。 这些结果展示了AE在增强科学发现深度方面的潜力;结合AE提供的效率,这种方法有望通过同时探索复杂的实验空间来揭示新现象,从而加速科学研究。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.