MOOSE-Star: Unlocking Tractable Training for Scientific Discovery by Breaking the Complexity Barrier
El artículo presenta MOOSE-Star, un marco unificado que supera la complejidad computacional inherente al entrenamiento directo de modelos de lenguaje para el descubrimiento científico mediante la descomposición de tareas, la búsqueda jerárquica guiada por motivación y la composición acotada, logrando así una reducción de la complejidad de exponencial a logarítmica y un escalado continuo en tiempo de prueba respaldado por el dataset TOMATO-Star.