UCL team unveils Large Discovery Models for experiment design
Researchers at University College London led by Wang Jun released Large Discovery Models (LDMs), a recursive foundation-model architecture that combines generative foundation models with Gaussian process reward models to design next experiments in scientific discovery. Validated on neural-network training, antibody design, and molecular optimization, LDM v0.1 reportedly outperforms pure LLM reflection baselines, with antibody binding energy reduced by 18.2% on average and molecular multi-objective hypervolume improved by over 60%.
Coverage timeline
机器之心机器之心
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。 论文：https://arxiv.org/abs/2608.15669 Large Discovery Models: Empirically-grounded Model-Based Open-Ended Search. 项目网站： https://largediscovery.net/ 项目 GitHub： https://github.com/yzailab/Large-Discovery-Models Hugging Face: https://huggingface.co/collections/Yangtze-ailab/large-discovery-model-v01 提供反馈：https://largediscovery.net/feedback/ LDM v0.1 在 Auto-Research（神经网络训练）、抗体设计、多目标分子优化三个场景取得初步验证： Auto-Research BPB 下降幅度是纯大模型反思的 2.4 倍 ； 抗体设计结合能相对纯大模型反思平均降幅达 18.2% ； 分子多目标超体积相对纯大模型反思和贝叶斯搜索提升 >60%。 为什么科学发现需要另一种大模型 近年来，大语言模型已经从对话、文本生成，拓展到数学、代码等领域的复杂推理与问题求解。其中一项关键技术，是依托可高效验证的奖励信号开展测试时搜索（Test‑time search）或强化学习。但在科学研究场景下，实验反馈对应的真实奖励来源于机理复杂且尚未探明的高成本实验，同时设计或假设空间往往规模庞大，甚至具备开放性。 纯大语言模型拥有丰富的结构先验
