English(EN) Test-Time Scaling for Scientific Equation Discovery

LLMs通过测试时缩放改进科学方程发现

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

研究人员探索了用于科学方程发现的测试时缩放（TTS），这是一项开放式任务，语言模型通过数据反馈搜索方程。他们将LLM驱动的方程发现构建为一个迭代搜索过程，在一个计算分配框架下统一了各种方法。在LLM-SRBench数据集上的实验表明，搜索宽度是最关键的分配参数，随着计算预算的增加而改进，并通过并行化提高实际运行效率。研究结果表明，在有信息量验证器的情况下，控制探索和利用是扩展基于LLM的科学方程发现的关键。 AI

影响这项研究通过优化语言模型探索潜在解决方案的方式，可能带来更高效的AI驱动的科学发现。

排序理由该集群包含一篇学术论文，详细介绍了使用LLM进行科学方程发现的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 24 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了使用LLM进行科学方程发现的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Haowei Lin, Hubert Lim, Xiangyu Wang, Letian Huang, Di He · 2026-09-01 04:00

面向科学方程发现的测试时缩放

arXiv:2608.28660v1 Announce Type: cross Abstract: Test-time scaling (TTS) improves language model reasoning by allocating additional test-time compute, but prior work mainly studies closed-ended tasks such as math and coding. We study TTS for automated equation discovery, an open…

本文如何被排名

报道来源 [1]

面向科学方程发现的测试时缩放

相关实体

相关话题