大发现模型 LDM 发布：旨在设计科学发现中的下一个实验
这篇介绍一种名为 LDM 的模型，它把大模型的生成能力与统计优化结合，让 AI 在科学研究中主动发现和设计实验。
伦敦大学学院团队提出大发现模型（LDM），把生成式大模型和高斯过程结合，用于在开放空间中设计下一个科学实验。LDM 以历史数据和上下文为基础拓展搜索空间，再用贝叶斯奖励评估候选方案，并通过快、慢两个闭环迭代优化。
正文摘录
.jpg)  许多科学发现问题，本质上是在开放空间中面向特定奖励的决策问题。近期，伦敦大学学院汪军老师领导的团队发布了 大发现模型（Large Discovery Models, LDMs） ，专门用于解决科学发现领域中 “如何设计下一个实验” 的问题。 LDM 是一套递归式的基础模型架构，核心是将生成式基础模型与高斯过程奖励模型相结合：基础模型依托历史信息与上下文，在开放空间中持续拓展、重塑当前的有效搜索空间；高斯过程则在该搜索空间内，基于实验历史构建贝叶斯奖励信号，评估各个候选方案用于下一轮实验的价值。LDM 能够依据实验数据与基础模型的上下文更新完成实时迭代，奖励信号也可以通过后训练融入基础模型参数，由此形成快、慢两套学习闭环。