公告
欢迎来到我的博客喵。
410 字
2 分钟
SAGA: 用自演化目标函数加速科学发现
论文信息
Accelerating Scientific Discovery with Autonomous Goal-evolving Agents (SAGA) Yuanqi Du, Botao Yu, et al. | arXiv 2512.21782 | 2025.12 代码: github.com/btyu/SAGA (MIT)
核心思想
现有 AI 科学发现 agent 都假设目标函数已知且固定，但真实科研中科学家需要根据中间结果不断调整优化目标。SAGA 提出 双层架构：外循环自动演化目标函数，内循环优化候选解。核心 insight：自动设计目标函数比自动优化固定目标更关键。
flowchart LR
A[Goal] --> B[Planner<br/>提出目标]
B --> C[Implementer<br/>实现评分函数]
C --> D[Optimizer<br/>优化候选]
D --> E[Analyzer<br/>分析+建议]
E --> B
方法
- 双层循环：外循环（Planner→Implementer→Analyzer）演化目标，内循环（Optimizer）搜索最优解
- 三种人机协作模式：Co-pilot（全干预）、Semi-pilot（仅分析反馈）、Autopilot（全自动）
- Optimizer 默认：LLM 进化算法（生成→打分→选 top），可插拔替代
- Implementer 可自动搜索 web 并编写评分函数，在 Docker 中验证
实验结果
| 领域 | 核心结果 |
|---|---|
| 抗生素 | 4 个 hit 化合物，MIC 16 μg/mL，对人无毒，Tanimoto >0.7 |
| 纳米抗体 | 3 个 de novo PD-L1 结合剂，K_D = 300-400 nM |
| DNA 序列 | HepG2 增强子比 baseline 高 48%（特异性） |
| 无机材料 | 永磁体+超硬材料，DFT 验证 |
| 化工过程 | 避免不必要单元操作，平衡纯度/成本 |
最大亮点：抗生素和纳米抗体两个任务获得了湿实验验证。
代码短评
框架开源（MIT），核心逻辑清晰，模块化设计可扩展。但仅公开了抗生素和 DNA 设计两个任务的代码，其余三个领域未开源。
SAGA: 用自演化目标函数加速科学发现
https://arxiv.org/abs/2512.21782