🤖 AI

AutoSci: A Memory-Centric Agentic System for the Full Scientific Research Lifecycle

AutoSci est un système agentique centré sur la mémoire conçu pour automatiser l'intégralité du cycle de vie de la recherche scientifique en intégrant une mémoire structurée persistante (SciMem), un harnais d'exécution en cinq étapes (SciFlow), des opérateurs multi-agents (SciDAG) et un mécanisme d'auto-évolution (SciEvolve) afin de permettre l'exécution autonome, la rétention des connaissances et l'amélioration continue à travers les projets de recherche.

Auteurs originaux : Weitong Qian, Beicheng Xu, Zhongao Xie, Bowen Fan, Guozheng Tang, Jiale Chen, Xinzhe Wu, Mingtian Yang, Chenyang Di, Jiajun Li, Lingching Tung, Peichao Lai, Yifei Xia, Ziyi Guo, Yanwei Xu, Yanzhao Qin

Publié 2026-06-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Weitong Qian, Beicheng Xu, Zhongao Xie, Bowen Fan, Guozheng Tang, Jiale Chen, Xinzhe Wu, Mingtian Yang, Chenyang Di, Jiajun Li, Lingching Tung, Peichao Lai, Yifei Xia, Ziyi Guo, Yanwei Xu, Yanzhao Qin, Shaoduo Gan, Xupeng Miao, Bin Cui

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez la recherche scientifique comme un projet de construction massif et chaotique. Habituellement, un architecte humain doit porter chaque plan, se souvenir de chaque conversation avec le contremaître, suivre chaque outil utilisé et rédiger le rapport final tout seul. S'il se fatigue ou est distrait, il peut perdre un détail crucial, et le projet suivant repart de zéro.

AutoSci est comme une équipe de construction super organisée et capable de s'auto-améliorer qui n'oublie jamais rien. C'est un système d'IA conçu pour gérer l'intégralité du cycle de vie d'un projet scientifique, de la première étincelle d'une idée jusqu'à la publication finale de l'article.

Voici comment cela fonctionne, divisé en quatre parties simples :

1. Le « Super-Cerveau » (SciMem) : Un classeur qui s'organise tout seul

La plupart des assistants IA ont une mémoire à court terme (comme un post-it) qui disparaît à la fin de la conversation. AutoSci possède une Mémoire à Long Terme qui agit comme une immense bibliothèque parfaitement organisée.

La Bibliothèque : Elle ne stocke pas seulement du texte ; elle stocke des « types » d'informations. Elle sait faire la différence entre un « Concept » (comme la gravité), une « Méthode » (comment la tester) et une « Personne » (qui l'a découverte).
L'Espace de Travail Actif : Tandis que la bibliothèque contient l'historique, il existe aussi un « Espace de Travail Actif » pour le projet en cours. Il suit le statut de chaque idée (Est-elle en cours de test ? A-t-elle échoué ? Est-elle prête à être rédigée ?).
La Magie : Lorsqu'un projet se termine, les leçons apprises ne s'évaporent pas. Elles sont triées et rangées dans la bibliothèque afin que le projet suivant puisse les utiliser immédiatement. C'est comme un chef qui se souvient exactement de quelle recette a échoué la dernière fois et pourquoi, pour ne pas commettre la même erreur demain.

2. Le « Chef de Projet » (SciFlow) : La chaîne de montage

La recherche n'est pas juste une grande discussion ; c'est une séquence d'étapes. AutoSci utilise un Chef de Projet pour faire fonctionner une chaîne de montage stricte en 5 étapes :

Lecture : Il lit tous les livres et articles existants.
Idéation : Il propose de nouvelles idées basées sur ce qu'il a lu.
Expérimentation : Il lance des tests pour voir si les idées fonctionnent.
Rédaction : Il transforme les résultats en un article.
Réfutation : Il gère les retours des examinateurs (les personnes qui vérifient le travail).

Le Chef de Projet garantit que si le système est interrompu, il peut reprendre exactement là où il s'était arrêté, car chaque étape est sauvegardée dans le « Super-Cerveau ».

3. L'« Équipe des Forces Spéciales » (SciDAG) : Faire appel aux experts

Parfois, une tâche unique est trop difficile pour qu'une seule IA puisse la gérer seule. AutoSci peut appeler une Équipe des Forces Spéciales.

Imaginez que vous deviez résoudre un problème mathématique très complexe. Au lieu qu'une seule personne tente de le résoudre, AutoSci met en place une petite équipe d'agents d'IA.
Un agent argumente en faveur d'une solution, un autre essaie de la déconstruire, et un troisième vérifie les calculs. Ils travaillent ensemble selon un schéma spécifique (un « graphe orienté acyclique », ou DAG) jusqu'à ce qu'ils s'accordent sur la meilleure réponse.
Cette équipe est réutilisable. S'ils résolvent bien un problème aujourd'elle, leur « plan de bataille » est sauvegardé pour qu'ils puissent utiliser la même stratégie pour un problème similaire la prochaine fois.

4. Le « Coach » (SciEvolve) : Apprendre de ses erreurs

C'est la partie qui rend AutoSci unique. La plupart des systèmes s'améliorent simplement dans l'exécution des tâches ; AutoSci s'améliore dans sa capacité à être un système.

Après un projet, le Coach examine ce qui a mal tourné. L'équipe s'est-elle trop disputée ? La mémoire est-elle devenue désordonnée ? Le style d'écriture a-t-il été rejeté par les examinateurs ?
Le Coach réécrit ensuite les règles. Il met à jour la liste de contrôle du Chef de Projet, modifie l'organisation de l'Équipe des Forces Spéciales ou réorganise la Bibliothèque.
C'est comme une équipe de sport qui ne se contente pas de jouer le match, mais qui change réellement son manuel de stratégie et son programme d'entraînement après chaque match pour garantir la victoire au prochain.

Qu'ont-ils réellement construit ?

Les auteurs ont testé ce système sur deux « chantiers » très différents :

Code Informatique : Ils lui ont demandé d'optimiser du code de graphisme informatique (noyaux GPU). Le système a lu des articles, proposé des idées, lancé des tests et rédigé un article. Un examinateur automatisé lui a donné un score de 6,3 sur 10.
Découverte de Médicaments : Ils lui ont demandé de trouver de nouvelles façons de modéliser l'interaction des médicaments avec le corps. Il a suivi le même processus et a obtenu un score de 5,8 sur 10.

L'essentiel :
AutoSci n'est pas seulement un outil qui rédige un paragraphe pour vous. C'est un environnement de recherche persistant. Il se souvient de tout, suit un processus strict, appelle de l'aide quand c'est nécessaire et améliore constamment son propre système d'exploitation en fonction de ce qu'il apprend. Il transforme la recherche scientifique, passant d'une série de tâches isolées et amnésiques, en un voyage continu et évolutif.

Résumé Technique : AutoSci – Un Système Agentique Centré sur la Mémoire pour le Cycle de Vie Complet de la Recherche Scientifique

1. Énoncé du Problème

La recherche scientifique est traditionnellement un processus laborieux, piloté par l'humain, qui nécessite la coordination de la littérature, des hypothèses, des expériences, des manuscrits et des réponses aux révisions sur de longs cycles de projet. Bien que les agents basés sur les modèles de langage de grande taille (LLM) aient démontré une capacité d'automatisation de tâches scientifiques isolées (par exemple, la génération d'hypothèses, l'exécution de code ou la rédaction de documents), les systèmes existants ne parviennent pas à fournir une solution unifiée pour le cycle de vie complet de la recherche.

Les approches actuelles souffrent de quatre limitations primaires :

Portée Fragmentée : De nombreux systèmes se concentrent sur des capacités spécifiques (par exemple, un « co-scientifique IA » pour la génération d'hypothèses) plutôt que sur des pipelines de bout en bout, de la littérature à la réponse aux critiques.
Absence de État Persistant : La recherche de longue durée nécessite un état durable, des contrats d'outils et une exécution récupérable, ce que beaucoup de structures plus légères ne possèdent pas.
Mémoire Non Structurée : Les systèmes existants stockent souvent des journaux, des résumés ou des artefacts non structurés. Ils ne parviennent pas à organiser l'information scientifique sous forme d'objets typés avec des dépendances explicites, ce qui limite l'interprétabilité sémantique et la réutilisation inter-projets.
Systèmes Statiques : La plupart des agents accumulent une expérience textuelle mais n'évoluent pas en leurs propres compétences sous-jacentes, protocoles de flux de travail ou modèles d'orchestration sur la base de retours d'expérience.

Il existe un fossé pour un système de recherche scientifique automatisé et unifié capable d'exécuter, de se souvenir et d'évoluer à travers de multiples projets de recherche.

2. Méthodologie : L'Architecture AutoSci

AutoSci est un système agentique centré sur la mémoire conçu pour satisfaire quatre principes de conception : l'interaction avec l'environnement, la mémoire persistante structurée, l'exécution par harnais et l'évolution du système complet. Il est organisé autour de quatre modules principaux :

2.1 SciMem : Mémoire de Recherche Gouvernée par Schéma

SciMem sert de substrat partagé au système, séparant la mémoire en deux régions distinctes pour soutenir à la fois l'accumulation de connaissances à long terme et le suivi de projet actif :

Mémoire de Connaissance à Long Terme : Stocke les connaissances scientifiques consolidées (ex. : Sujets, Articles, Fondations, Concepts, Méthodes, Personnes) sous forme d'entités typées avec des liens bidirectionnels explicites. Cette région croît par agrégation interne (raffinement des concepts à partir de nouveaux articles) et accumulation inter-cycles (rétention des leçons des révisions passées).
Mémoire de Recherche Active : Suit l'état d'un projet en cours (Idées, Expériences, Manuscrits, Révisions) avec des états de cycle de vie explicites (ex. : proposé $\to$ testé $\to$ validé).
Gardien de Confiance (Trust Guard) : Tous les écrits dans SciMem passent par une couche de validation vérifiant la validité du schéma (champs, liens) et la validité du contenu (support de preuves) via un agent réviseur indépendant afin de prévenir la propagation d'erreurs.

2.2 SciFlow : Cycle de Vie de la Recherche Fondé sur la Mémoire

SciFlow exécute le processus de recherche à travers un cycle de vie en cinq étapes : Littérature $\to$ Idéation $\to$ Expérimentation $\to$ Rédaction $\to$ Réponse aux Révisions.

Exécution par Harnais : Contra\times aux conversations en forme libre, SciFlow utilise un harnais pour gérer l'état, le contexte, la vérification et l'orchestration. Il garantit que les projets sont interrompibles, reprenables et révisables.
Boucle de Lecture-Écriture : Chaque étape lit explicitement de la mémoire et écrit dans SciMem. Par exemple, l'étape d'Idéation lit la mémoire à long terme pour générer des idées, tandis que l'étape d'Expérimentation écrit des entités porteuses de preuves dans la mémoire active.
Vérification : Les transferts de données à enjeux élevés sont vérifiés par le Gardien de Confiance avant que les étapes en aval ne consomment les données.

2.3 SciDAG : Augmentation Multi-Agents Basée sur des DAG

Pour les étapes nécessitant une recherche complexe, un débat ou un raffinement, SciDAG agit comme une couche d'augmentation optionnelle.

Graphes d'Opérateurs : Au lieu de chaînes linéaires, les tâches sont exécutées sous forme de Graphes Acycliques Dirigés (DAG) d'opérateurs multi-agents réutilisables (générer, débattre, raffiner, réviser).
Exécution Adaptative : Le graphe s'adapte en fonction des signaux de qualité intermédiaire, de coût et de convergence.
Modèles (Templates) : Les graphes d'opérateurs communs sont stockés comme des modèles spécifiques à chaque étape (ex. : des modèles distincts pour l'idéation versus l'expérimentation) qui peuvent être récupérés et exécutés pour de nouvelles tâches.

2.4 SciEvolve : Évolution du Système Complet

SciEvolve convertit les signaux de rétroaction des utilisateurs, des expériences et des révisions en mises à jour versionnées pour le système lui-même.

Collecte de Signaux : Il agrège les signaux provenant des corrections des utilisateurs, des résultats des tâches (échecs/succès) et des environnements externes (nouveaux articles/revues).
Chemins d'Évolution :
- /dream : Met à jour l'organisation de SciMem (ex. : archivage d'entrées obsolètes, consolidation d'entités).
- /forge : Met à jour les compétences de SciFlow (ex. : révision des règles de transfert, renforcement des contrôles affirmation-preuve).
  usia /morph : Met à jour les modèles de SciDAG (ex. : élagage des branches faibles, spécialisation des opérateurs pour des types de problèmes spécifiques).

3. Contributions Clés

Le document présente les contributions suivantes :

Formulation : Il cadre la recherche scientifique automatisée comme un problème de système à long cycle de vie nécessitant l'exécution, la mémoire et l'évolution à travers les projets, plutôt que comme une simple automatisation de tâches isolées.
Architecture : Il conçoit une architecture centrée sur la mémoire où la mémoire persistante structurée sert de substrat aux flux de travail, à l'exécution multi-agents et à l'auto-amélioration.
Implémentation : Il implémente un système de bout en bout intégrant des compétences de cycle de vie, une exécution par harnais, une augmentation par DAG et une auto-évolution versionnée.
Évaluation : Il mène deux études de cas de bout en bout démontrant la capacité du système à générer des artefacts de niveau article révisables.

4. Résultats Expérimentaux

Les auteurs ont évalué AutoSci à travers deux études de cas couvrant différents domaines : l'Optimisation de Noyaux GPU et la Découverte de Médicaments Biomédicaux.

Étude de Cas 1 : Optimisation de Noyaux GPU
- Tâche : Optimisation itérative de noyaux GPU Triton en utilisant Claude Code guidé par des retours de performance.
- Processus : AutoSci a généré cinq directions candidates, les a filtrées via une vérification de nouveauté et des tests pilotes, et a sélectionné une approche de type « agent Claude Code guidé par le profilage ». Il a exécuté une suite complète d'expériences (analyse de sensibilité, balayage principal, ablation) sur 4× NVIDIA A40 GPU.
- Résultat : A généré 157 noyaux exécutables avec une moyenne géométrique d'accélération de 1,52× par rapport aux bases de référence.
- Évaluation de l'Article : Le manuscrit résultant a reçu un score de révision automatisé ICLR de 6,3/10, qualifié d'« étude empirique soignée » avec des traces solides mais limitée par le périmètre d'un seul modèle/matériel.
Étude de Cas 2 : Découverte de Médicaments Biomédicaux
- Tâche : Modélisation de la modification post-traductionnelle (PTM) sensible à la structure pour la nomination de cibles de dégradateurs.
- Processus : Le système a exploré la modélisation de la PTM, a exécuté des blocs de validation et a géré les résultats négatifs en distinguant les blocs exécutés des suivis pré-enregistrés.
- Résultat : A généré un artefact orienté vers le manuscrit.
- Évaluation de l'Article : Le manuscrit résultant a reçu un score de révision automatisé ICLR de 5,8/10, qualifié de « papier de résultats négatifs transparent » avec un étalonnage utile mais limité par un seul évaluateur.

Dans les deux cas, le système a réussi à produire des artefacts structurés et révisables plutôt que des sorties expérimentales isolées. Les révisions ont souligné des faiblesses exploitables (ex. : validité externe limitée, comparateurs manquants), qui sont conçues pour être stockées par le système comme feedback pour une évolution future.

5. Signification et Revendications

Le papier affirme qu'AutoSci représente un pas vers un système de recherche scientifique unifié et automatisé qui comble le fossé entre les capacités d'agents isolés et un cycle de recherche complet.

Environnement de Recherche Persistant : En séparant la mémoire en régions de connaissance à long terme et de recherche active, AutoSci permet au système de « se souvenir » de connaissances scientifiques réutilisables et de l'expérience inter-projets, dépassant le paradigme de l'« assistant de session unique ».
Capacité d'Auto-Évolution : Contrairement aux systèmes qui accumulent simplement du texte, AutoSci prétend faire évoluer ses propres protocoles opérationnels (compétences, modèles, schémas de mémoire) basés sur des modèles de rétroaction récurrents.
Limitations Modestes : Les auteurs reconnaissent que l'implémentation actuelle est un paquet de compétences construit sur des agents de codage à usage général, et non un fondement spécialisé en sciences. Ils notent également que l'évaluation reste en développement, s'appuyant sur des études de cas de bout en bout et des proxies de révision automatisés plutôt que sur des benchmarks établis pour des systèmes de recherche complets.

La signification d'AutoSci réside dans sa démonstration qu'une architecture centrée sur la mémoire, par harnais et auto-évolutive peut exécuter un cycle de recherche complet — de la compréhension de la littérature à la génération de manuscrits — tout en maintenant un enregistrement structuré et réutilisable du processus scientifique.