Buchumschlag

Principle-Evolvable Scientific Discovery via Uncertainty Minimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pu, Yingming, Lin, Tao, Chen, Hongyu
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PiFlow: Principle-Aware Scientific Discovery with Multi-Agent Collaboration
von: Pu, Yingming, et al.
Veröffentlicht: (2025)

PriM: Principle-Inspired Material Discovery through Multi-Agent Collaboration
von: Lai, Zheyuan, et al.
Veröffentlicht: (2025)

Evolvable Conditional Diffusion
von: Wei, Zhao, et al.
Veröffentlicht: (2025)

SMCEvolve: Principled Scientific Discovery via Sequential Monte Carlo Evolution
von: Jiang, Jiachen, et al.
Veröffentlicht: (2026)

Mechanisms of Matter: Language Inferential Benchmark on Physicochemical Hypothesis in Materials Synthesis
von: Pu, Yingming, et al.
Veröffentlicht: (2025)

EvoFA: Evolvable Fast Adaptation for EEG Emotion Recognition
von: Jin, Ming, et al.
Veröffentlicht: (2024)

Evaluation-driven Scaling for Scientific Discovery
von: Ye, Haotian, et al.
Veröffentlicht: (2026)

Automated Scientific Discovery: From Equation Discovery to Autonomous Discovery Systems
von: Kramer, Stefan, et al.
Veröffentlicht: (2023)

LacMaterial: Large Language Models as Analogical Chemists for Materials Discovery
von: Guo, Hongyu
Veröffentlicht: (2025)

Leveraging large language models for nano synthesis mechanism explanation: solid foundations or mere conjectures?
von: Pu, Yingming, et al.
Veröffentlicht: (2024)

LLM-Based Scientific Equation Discovery via Physics-Informed Token-Regularized Policy Optimization
von: Wang, Boxiao, et al.
Veröffentlicht: (2026)

AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise
von: Agarwal, Dhruv, et al.
Veröffentlicht: (2025)

Nature Language Model: Deciphering the Language of Nature for Scientific Discovery
von: Xia, Yingce, et al.
Veröffentlicht: (2025)

The Use of AI-Robotic Systems for Scientific Discovery
von: Gower, Alexander H., et al.
Veröffentlicht: (2024)

Simulation as Supervision: Mechanistic Pretraining for Scientific Discovery
von: Dudley, Carson, et al.
Veröffentlicht: (2025)

OOWM: Structuring Embodied Reasoning and Planning via Object-Oriented Programmatic World Modeling
von: Chen, Hongyu, et al.
Veröffentlicht: (2026)

Artificial Scientific Discovery
von: Norelli, Antonio
Veröffentlicht: (2024)

Epistemic Uncertainty for Test-Time Discovery
von: Riaz, Kainat, et al.
Veröffentlicht: (2026)

Post-hoc Interpretability Illumination for Scientific Interaction Discovery
von: Zhang, Ling, et al.
Veröffentlicht: (2024)

Prior-Guided Symbolic Regression: Towards Scientific Consistency in Equation Discovery
von: Xiao, Jing, et al.
Veröffentlicht: (2026)

MOSAIC: Module Discovery via Sparse Additive Identifiable Causal Learning for Scientific Time Series
von: Fan, Shicheng, et al.
Veröffentlicht: (2026)

LLM-AutoSciLab: Closed-Loop Scientific Discovery via Active Experimentation with LLMs
von: Kabra, Sanchit, et al.
Veröffentlicht: (2026)

Towards Scientific Discovery with Generative AI: Progress, Opportunities, and Challenges
von: Reddy, Chandan K, et al.
Veröffentlicht: (2024)

Constraint-Aware Neurosymbolic Uncertainty Quantification with Bayesian Deep Learning for Scientific Discovery
von: Alam, Shahnawaz, et al.
Veröffentlicht: (2026)

Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback
von: Saveliev, Evgeny S., et al.
Veröffentlicht: (2026)

DeltaEvolve: Accelerating Scientific Discovery through Momentum-Driven Evolution
von: Jiang, Jiachen, et al.
Veröffentlicht: (2026)

The Data Minimization Principle in Machine Learning
von: Ganesh, Prakhar, et al.
Veröffentlicht: (2024)

Unlearning as Ablation: Toward a Falsifiable Benchmark for Generative Scientific Discovery
von: Yang, Robert
Veröffentlicht: (2025)

Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning
von: Ma, Pingchuan, et al.
Veröffentlicht: (2026)

Probabilistic Neural Networks (PNNs) for Modeling Aleatoric Uncertainty in Scientific Machine Learning
von: Pourkamali-Anaraki, Farhad, et al.
Veröffentlicht: (2024)

AutoSciDACT: Automated Scientific Discovery through Contrastive Embedding and Hypothesis Testing
von: Bright-Thonney, Samuel, et al.
Veröffentlicht: (2025)

Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks
von: Bramlage, Lennart, et al.
Veröffentlicht: (2025)

Accelerating Scientific Discovery with Autonomous Goal-evolving Agents
von: Du, Yuanqi, et al.
Veröffentlicht: (2025)

CliffSearch: Structured Agentic Co-Evolution over Theory and Code for Scientific Algorithm Discovery
von: Mroueh, Youssef, et al.
Veröffentlicht: (2026)

Latent Principle Discovery for Language Model Self-Improvement
von: Ramji, Keshav, et al.
Veröffentlicht: (2025)

Optimizing Decoding Paths in Masked Diffusion Models by Quantifying Uncertainty
von: Chen, Ziyu, et al.
Veröffentlicht: (2025)

Focused Skill Discovery: Learning to Control Specific State Variables while Minimizing Side Effects
von: Carr, Jonathan Colaço, et al.
Veröffentlicht: (2025)

Iterative Refinement Neural Operators are Learned Fixed-Point Solvers: A Principled Approach to Spectral Bias Mitigation
von: Liu, Xiaotian, et al.
Veröffentlicht: (2026)

The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search
von: Yamada, Yutaro, et al.
Veröffentlicht: (2025)

Auto-Discovery-Bench: Diagnosing Structured State Tracking in Oracle-Guided Discovery
von: Chen, Tingting, et al.
Veröffentlicht: (2025)