🤖 AI

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

AutoSci is een geheugencentrisch agentisch systeem dat is ontworpen om de volledige wetenschappelijke onderzoekslevenscyclus te automatiseren door gestructureerd persistent geheugen (SciMem), een vijffasen uitvoering-harness (SciFlow), multi-agent operators (SciDAG) en een zelfevolutie-mechanisme (SciEvolve) te integreren om autonome uitvoering, kennisretentie en continue verbetering over onderzoeksprojecten heen mogelijk te maken.

Oorspronkelijke auteurs: 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

Gepubliceerd 2026-06-01

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: 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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je wetenschappelijk onderzoek voor als een gigantisch, chaotisch bouwproject. Meestal moet een menselijke architect elk blauwdruk zelf dragen, elk gesprek met de voorman onthouden, elke gebruikte tool bijhouden en het uiteindelijke rapport alleen schrijven. Als ze moe worden of afgeleid raken, kunnen ze een cruciaal detail verliezen, en begint het volgende project weer vanaf nul.

AutoSci is als een supergeorganiseerde, zelfverbeterende bouwploeg die niets vergeet. Het is een AI-systeem dat ontworpen is om de volledige levenscyclus van een wetenschappelijk project te beheren, van de eerste vonk van een idee tot het uiteindelijke gepubliceerde artikel.

Zo werkt het, onderverdeeld in vier eenvoudige delen:

1. Het "Superbrein" (SciMem): Een archiefkast die zichzelf organiseert

De meeste AI-assistenten hebben een kortetermijngeheugen (zoals een briefje) dat verdwijnt wanneer het gesprek eindigt. AutoSci heeft een Langetermijngeheugen dat werkt als een gigantische, perfect georganiseerde bibliotheek.

De Bibliotheek: Het slaat niet alleen tekst op; het slaat "typen" informatie op. Het weet het verschil tussen een "Concept" (zoals zwaartekracht), een "Methode" (hoe je het test) en een "Persoon" (wie het ontdekte).
De Actieve Werkruimte: Terwijl de bibliotheek de geschiedenis bevat, is er ook een "Actieve Werkruimte" voor het huidige project. Het houdt de status bij van elk idee (Wordt het getest? Is het mislukt? Is het klaar om uitgeschreven te worden?).
De Magie: Wanneer een project voltooid is, verdwijnen de geleerde lessen niet. Ze worden teruggesorteerd in de bibliotheek, zodat het volgende project er direct gebruik van kan maken. Het is als een chefkok die zich precies herinnert welk recept de vorige keer mislukte en waarom, zodat hij morgen niet dezelfde fout maakt.

2. De "Projectmanager" (SciFlow): De lopende band

Onderzoek is niet één groot gesprek; het is een opeenvolging van stappen. AutoSci gebruikt een Projectmanager om een strikte 5-staps lopende band te draaien:

Lezen: Het leest alle bestaande boeken en papers.
Ideëren: Het komt met nieuwe ideeën op basis van wat het gelezen heeft.
Experimenteren: Het voert tests uit om te zien of de ideeën werken.
Schrijven: Het zet de resultaten om in een paper.
Weerleggen: Het handelt feedback af van reviewers (de mensen die het werk controleren).

De Projectmanager zorgt ervoor dat als het systeem wordt onderbroken, het exact kan hervatten waar het gebleven was, omdat elke stap wordt opgeslagen in het "Superbrein".

3. Het "Special Ops Team" (SciDAG): De experts binnenhalen

Soms is een enkele taak te moeilijk voor één AI om alleen aan te kunnen. AutoSci kan een Special Ops Team oproepen.

Stel je voor dat je een heel lastig wiskundig probleem moet oplossen. In plaats van één persoon die probeert het op te lossen, zet AutoSci een klein team van AI-agents op.
Eén agent pleit voor een oplossing, een andere probeert het te breken, en een derde controleert de wiskunde. Ze werken samen in een specifiek patroon (een "Directed Acyclic Graph", of DAG) totdat ze het eens zijn over het beste antwoord.
Dit team is herbruikbaar. Als ze vandaag een probleem goed oplossen, wordt hun "spelplan" opgeslagen zodat ze de volgende keer een vergelijkbaar probleem met dezelfde strategie kunnen aanpakken.

4. De "Coach" (SciEvolve): Leren van fouten

Dit is het deel dat AutoSci uniek maakt. De meeste systemen worden alleen beter in het uitvoeren van taken; AutoSci wordt beter in het zijn van een systeem.

Na een project kijkt de Coach naar wat er misging. Was er te veel discussie in het team? Werd het geheugen rommelig? Werd de schrijfstijl afgewezen door reviewers?
De Coach schrijft vervolgens de regels over. Het werkt de checklist van de Projectmanager bij, verandert hoe het Special Ops Team is georganiseerd, of reorganiseert de Bibliotheek.
Het is als een sportteam dat niet alleen de wedstrijd speelt, maar ook na elke wedstrijd het eigen tactische plan en trainingsregime aanpast om de volgende keer te winnen.

Wat hebben ze eigenlijk gebouwd?

De auteurs testten dit systeem op twee zeer verschillende "bouwplaatsen":

Computercode: Ze vroegen het om computer graphics-code (GPU kernels) te optimaliseren. Het systeem las papers, bedacht ideeën, voerde tests uit en schreef een paper. Een geautomatiseerde reviewer gaf het een score van 6,3 van de 10.
Medicijnontdekking: Ze vroegen het om nieuwe manieren te vinden om te modelleren hoe medicijnen interageren met het lichaam. Het ging door hetzelfde proces en kreeg een score van 5,8 van de 10.

De Kernboodschap:
AutoSci is niet zomaar een tool die een alinea voor je schrijft. Het is een persistent onderzoeksomgeving. Het onthoudt alles, volgt een strikt proces, roept hulp in wanneer dat nodig is, en upgrade zichzelf constant op basis van wat het leert. Het verandert wetenschappelijk onderzoek van een reeks geïsoleerde, vergeetachtige taken in een continue, evoluerende reis.

Technische Samenvatting: AutoSci – Een Geheugencentrisch Agentisch Systeem voor de Volledige Wetenschappelijke Onderzoekslevenscyclus

1. Probleemstelling

Wetenschappelijk onderzoek is traditioneel een arbeidsintensief, door mensen gestuurd proces dat de coördinatie van literatuur, hypothesen, experimenten, manuscripten en reacties op reviews over lange projectcycli vereist. Hoewel Large Language Model (LLM) agents hebben aangetoond in staat te zijn tot het automatiseren van geïsoleerde wetenschappelijke taken (bijv. hypothesegeneratie, code-executie of het schrijven van papers), falen bestaande systemen in het bieden van een verenigde oplossing voor de volledige onderzoekslevenscyclus.

Huidige benaderingen lijden aan vier primaire beperkingen:

Gefragmenteerde reikwijdte: Veel systemen richten zich op specifieği capaciteiten (bijv. een "AI co-scientist" voor hypothesegeneratie) in plaats van op end-to-end pipelines van literatuur tot rebuttals.
Gebrek aan persistente staat: Langlopend onderzoek vereist duurzame staat, tool-contracten en herstelbare executie, wat veel lichter gewichtige frameworks missen.
Ongestructureerd geheugen: Bestaande systemen slaan vaak ongestructureerde logs, samenvattingen of artefacten op. Ze slagen er niet in om wetenschappelijke informatie te organiseren als getypeerde objecten met expliciete afhankelijkheden, wat de semantische interpreteerbaarheid en cross-project herbruikbaarheid beperkt.
Statische systemen: De meeste agents accumuleren tekstuele ervaring, maar evolueren hun eigen onderliggende vaardigheden, workflowprotocollen of orchestratie-templates niet op basis van feedback.

Er is een gat voor een verenigd, geautomatiseerd wetenschappelijk researchsysteem dat kan executeren, onthouden en evolueren over meerdere onderzoeksprojecten heen.

2. Methodologie: De AutoSci Architectuur

AutoSci is een geheugencentrisch agentisch systeem ontworpen om te voldoen aan vier ontwerpprincipes: interactie met de omgeving, gestructureerd persistent geheugen, gecontroleerde executie (harnessed execution) en volledige systeemevolutie. Het is georganiseerd rond vier kernmodules:

2.1 SciMem: Schema-gestuurd Onderzoekgeheugen

SciMem dient als de gedeelde substantie van het systeem, waarbij het geheugen wordt gescheiden in twee afzonderlijke regio's om zowel langetermijnkennisaccumulatie als actieve projecttracking te ondersteunen:

Langetermijnkennisgeheugen: Slaat geconsolideerde wetenschappelijke kennis op (bijv. Onderwerpen, Papers, Fundamenten, Concepten, Methoden, Personen) als getypeerde entiteiten met expliciete bidirectionele links. Deze regio groeit door interne aggregatie (het verfijnen van concepten uit nieuwe papers) en cross-cycle accumulatie (het behouden van lessen uit eerdere reviews).
Actief Onderzoekgeheugen: Houdt de staat van een lopend project bij (Ideeën, Experimenten, Manuscripten, Reviews) met expliciete levenscyclusstaten (bijv. voorgesteld $\to$ getest $\to$ gevalideerd).
Trust Guard: Alle schrijfacties naar SciMem gaan door een validatielaag die de schema-geldigheid (velden, links) en inhoudelijke geldigheid (bewijsvoering) controleert via een onafhankelijke reviewer-agent om foutpropagatie te voorkomen.

2.2 SciFlow: Geheugen-gegronde Onderzoekslevenscyclus

SciFlow voert het onderzoeksproces uit via een vijftraps levenscyclus: Literatuur $\to$ Ideatie $\to$ Experiment $\to$ Schrijven $\to$ Rebuttal.

Harness-gebaseerde Executie: In tegenstelling tot vrije gesprekken gebruikt SciFlow een 'harness' om de staat, context, verificatie en orchestratie te beheren. Het zorgt ervoor dat projecten onderbrekbaar, hervatbaar en controleerbaar zijn.
Read-Write Loop: Elke fase leest expliciet uit en schrijft naar SciMem. Bijvoorbeeld, de Ideatie-fase leest uit het langetermijngeheugen om ideeën te genereren, terwijl de Experiment-fase bewijsdragende entiteiten terugschrijft naar het actieve geheugen.
Verificatie: Cruciale overdrachten worden gecontroleerd door de Trust Guard voordat downstream-fasen de data consumeren.

2.3 SciDAG: DAG-gebaseerde Multi-Agent Augmentatie

Voor fasen die complexe zoekopdrachten, debatten of verfijning vereisen, fungeert SciDAG als een optionele augmentatielaag.

Operator Grafen: In plaats van lineaire ketens worden taken uitgevoerd als Directed Acyclic Graphs (DAGs) van herbruikbare multi-agent operatoren (bijv. genereren, debatteren, verfijnen, reviewen).
Adaptieve Executie: De graaf past zich aan op basis van tussenliggende kwaliteit, kosten en convergentiesignalen.
Templates: Veelvoorkomende operator-grafen worden opgeslagen als fase-specifieke templates (bijv. onderscheidende templates voor ideatie versus experimentatie) die kunnen worden opgehaald en uitgevoerd voor nieuwe taken.

2.4 SciEvolve: Volledige Systeemevolutie

SciEvolve zet feedbacksignalen van gebruikers, experimenten en reviews om in versiebeheerde updates voor het systeem zelf.

Signaalverzameling: Het aggregeert signalen van gebruikerscorrecties, taakuitkomsten (falen/succes) en externe omgevingen (nieuwe papers/venues).
Evolutiepaden:
- /dream: Update de SciMem-organisatie (bijv. het archiveren van verouderde vermeldingen, het consolideren van entiteiten).
- /forge: Update de SciFlow-vaardigheden (bijv. het herzien van handoff-regels, het versterken van claim-bewijs controles).
- /morph: Update de SciDAG-templates (bijv. het snoeien van zwakke takken, het specialiseren van operatoren voor specifieke probleemtypen).

3. Belangrijkste Bijdragen

Het artikel presenteert de volgende bijdragen:

Formulering: Het frameert geautomatiseerd wetenschappelijk onderzoek als een lang-levenscyclus systeemprobleem dat executie, geheugen en evolutie over projecten heen vereist, in plaats van geïsoleerde ta automatisering.
Architectuur: Het ontwerpt een geheugencentrische architectuur waarbij gestructureerd persistent geheugen dient als de substantie voor workflows, multi-agent executie en zelfverbetering.
Implementatie: Het implementeert een end-to-end systeem dat levenscyclus-vaardigheden, gecontroleerde executie, DAG-gebaseerde augmentatie en versiebeheerde zelfevolutie integreert.
Evaluatie: Het voert twee end-to-end casestudy's uit die het vermogen van het systeem demonstreren om reviewbare paper-niveau artefacten te genereren.

4. Experimentele Resultaten

De auteurs evalueerden AutoSci via twee casestudy's die verschillende domeinen beslaan: GPU Kernel Optimalisatie en Biomedische Drug Discovery.

Casestudy 1: GPU Kernel Optimalisatie
- Taak: Iteratieve optimalisatie van Triton GPU kernels met behulp van Claude Code, gestuurd door prestatiefeedback.
- Proces: AutoSci genereerde vijf kandidaat-richtingen, filterde deze via novelty-checking en pilot-runs, en selecteerde een "profiling-guided Claude Code agent" aanpak. Het voerde een volledig experimentpakket uit (sensitiviteitsanalyse, main sweep, ablatie) op 4× NVIDIA A40 GPU's.
- Resultaat: Genereerde 157 uitvoerbare kernels met een geometrisch gemiddelde versnelling van 1.52× ten opzichte van de baselines.
- Paper Evaluatie: Het resulterende manuscript ontving een geautomatiseerde ICLR review score van 6.3/10, beoordeeld als een "zorgvuldige empirische studie" met sterke sporen maar beperkt door de scope van een enkel model/hardware.
Casestudy 2: Biomedische Drug Discovery
- Taak: Structuur-bewuste post-translationele modificatie (PTM) modellering voor degrader target nominatie.
- Proces: Het systeem verkende PTM-modellering, voerde validatieblokken uit en ging om met negatieve resultaten door onderscheid te maken tussen uitgevoerde blokken en vooraf geregistreerde vervolgstappen.
- Resultaat: Genereerde een manuscript-georiënteerd artefact.
- Paper Evaluatie: Het resulterende manuscript ontving een geautomatiseerde ICLR review score van 5.8/10, beoordeeld als een "transparante negative-result paper" met nuttige kalibratie maar beperkt door een enkele scorer.

In beide gevallen slaagde het systeem erin om gestructureerde, reviewbare artefacten te produceren in plaats van geïsoleerde experimentele outputs. De reviews benadrukken actieven zwakheden (bijv. beperkte externe validiteit, ontbrekende comparatoren), die het systeem bedoeld is op te slaan als feedback voor toekomstige evolutie.

5. Betekenis en Claims

Het artikel claimt dat AutoSci een stap vertegenwoordigt richting een verenigd geautomatiseerd wetenschappelijk onderzoekssysteem dat de kloof overbrugt tussen geïsoleerde agent-capaciteiten en een volledige onderzoekslevenscyclus.

Persistent Onderzoeksmilieu: Door het geheugen te scheiden in langetermijnkennis en actieve onderzoekregio's, stelt AutoSci het systeem in staat om wetenschappelijke kennis herbruikbaar te "onthouden" en cross-project ervaring op te doen, waarmee het voorbijgaat aan het "single-session assistant" paradigma.
Zelf-evoluerend Vermogen: In tegen tegenstelling tot systemen die enkel tekst accumuleren, claimt AutoSci zijn eigen operationele protocollen (vaardigheden, templates, geheugen-schema's) te laten evolueren op basis van terugkerende feedbackpatronen.
Bescheiden Beperkingen: De auteurs erkennen dat de huidige implementatie een skill-package is gebouwd bovenop algemene programmeer-agents, en geen wetenschaps-gespecialiseerde fundamentele basis is. Ze merken ook op dat de evaluatie nog in ontwikkeling is, waarbij vertrouwd wordt op end-to-end casestudy's en geautomatiseerde review-proxies in plaats van gevestigde benchmarks voor volledige research-systemen.

De betekenis van AutoSci ligt in de demonstratie dat een geheugencentrische, gecontroleerde en zelf-evoluerende architectuur een volledige onderzoekscyclus kan uitvoeren—van literatuur begrijpen tot manuscriptgeneratie—terwijl een gestructureerd, herbruikbaar verslag van het wetenschappelijke proces behouden blijft.