AI-Scientist-v2: Автономные научные исследования и написание статей

Общее введение

AI-Scientist-v2 - это интеллектуальная система, разработанная японской компанией SakanaAI, цель которой - автоматизировать научные исследования от начала до конца с помощью машин. Она может придумывать идеи для исследований, разрабатывать эксперименты, выполнять код, анализировать данные и, наконец, писать научные статьи. В апреле 2025 года инструмент был открыт на GitHub и обновлен до первой версии, в которую была добавлена технология Agentic Tree Search, чтобы сделать исследования более интеллектуальными. Первая статья, написанная полностью искусственным интеллектом, прошла рецензирование на семинаре ICLR 2025. AI-Scientist-v2 не зависит от человеческих шаблонов и применим к широкому спектру областей машинного обучения, что делает его подходящим для исследователей и разработчиков.

Список функций

• Презентация исследовательских идей: Автоматическое генерирование осуществимых исследовательских идей на основе заданных направлений.
• Написание экспериментального кода: Создание кода, необходимого для проведения экспериментов, поддержка настройки и оптимизации.
• Проведение экспериментов и анализов: Автоматическое выполнение кода, сбор данных и построение графиков.
• Написание научных статей: Выпустите хорошо оформленный документ, основанный на результатах эксперимента.
• Интеллектуальная оптимизация пути: Изучите лучшие варианты исследований с помощью Agentic Tree Search.
• Поддержка поиска литературы: Дополнительный доступ к API Semantic Scholar для проверки новизны и добавления цитат.
• открытый исходный код: Полный код предоставляется, и пользователи могут свободно изменять и расширять его.

Использование помощи

AI-Scientist-v2 требует определенных технических знаний, но при настройке он может значительно упростить научные исследования. Ниже приведены подробные шаги, которые помогут пользователям быстро приступить к работе.

Процесс установки

1. Подготовка среды
   • Требуется Linux и графический процессор NVIDIA с поддержкой CUDA и PyTorch.
   • Создайте среду Python 3.11:

     conda create -n ai_scientist python=3.11
     conda activate ai_scientist
     

   • Установите PyTorch и CUDA:

     conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia
     

2. Установка зависимостей
   • Код для скачивания:

     git clone https://github.com/SakanaAI/AI-Scientist-v2.git
     cd AI-Scientist-v2
     

   • Установите дополнительные инструменты:

     conda install anaconda::poppler  # 处理 PDF
     conda install conda-forge::chktex  # 检查论文格式
     pip install -r requirements.txt
     

3. Настройка API
   • Установите ключ API Big Model (например, OpenAI):

     export OPENAI_API_KEY='你的密钥'
     

   • Если вы используете Клод модель, устанавливая дополнительную опору:

     pip install anthropic[bedrock]
     

     Настройте ключи и регионы AWS:

     export AWS_ACCESS_KEY_ID='你的ID'
     export AWS_SECRET_ACCESS_KEY='你的密钥'
     export AWS_REGION_NAME='us-west-2'
     

   • Опционально настройте API Semantic Scholar:

     export S2_API_KEY='你的密钥'
     

4. тестовая среда
   • Проверьте, доступен ли графический процессор:

     python -c "import torch; print(torch.cuda.is_available())"
     

   • экспорт True Указывает на успешную установку.

Как использовать основные функции

1. Генерирование идей для исследований

• Перейдите в каталог с кодом и запустите его:

python launch_scientist_bfts.py --load_ideas "ai_scientist/ideas/i_cant_believe_its_not_better.json" --model_writeup "claude-3-5-sonnet-20240620"

• Система генерирует JSON-файл, содержащий название и описание исследования.

2. Проведение экспериментов

• После того как идея сгенерирована, система создает экспериментальный код (например. experiment.py).
• Провести эксперименты:

python experiment.py

• Результаты сохраняются в experiments папку с журналом, включая данные и графики.

3. Написание статей

• После завершения эксперимента подготовьте статью:

python launch_scientist_bfts.py --load_code --add_dataset_ref --model_writeup "o1-preview-2024-09-12" --model_citation "gpt-4o-2024-11-20"

• Выводит файлы LaTeX, которые хранятся в файле experiments/timestamp_ideaname/latex папка. Чтобы просмотреть его, скомпилируйте в редакторе LaTeX.

4. Использование агентурного древовидного поиска

• Это основная функция v2, которая оптимизирует пути обучения.
• Добавляйте параметры во время выполнения:

python launch_scientist_bfts.py --load_ideas "ai_scientist/ideas/i_cant_believe_its_not_better.json" --tree-search

• создание unified_tree_viz.htmlЕсли у вас есть браузер, вы можете открыть его, чтобы посмотреть процесс поиска.

5. Параметры поиска в дереве конфигурации

• компилятор bfts_config.yaml Документация:
• num_workers: Количество узлов для параллельной обработки, например, 3.
• steps: Максимальное количество узлов для исследования, например, 21.
• num_drafts: Количество первоначальных направлений исследований.
• max_debug_depth: Количество попыток отладки.

предостережение

• безопасность: Код выполняет программы, написанные искусственным интеллектом, может вызывать опасные пакеты или работать в сети, и его рекомендуется запускать с помощью Docker.
• (производство, изготовление и т.д.) затратыПриблизительно $15-20 за эксперимент, плюс $5 за написание диссертации.
• процент успеха: v2 носит исследовательский характер, имеет более низкий процент успеха, чем v1, и подходит для открытых исследований.
• Проблемы с памятью: Если появится сообщение "CUDA Out of Memory", измените маленькую модель в файле JSON.

Эти шаги позволят вам получить полное представление о возможностях автоматизации исследований в AI-Scientist-v2.

сценарий применения

1. научные исследования
   Исследователи используют его для проверки новых алгоритмов, создания первых черновиков статей и экономии времени.
2. Образовательное обучение
   С его помощью студенты моделируют научные исследования, готовят отчеты и изучают экспериментальный дизайн.
3. технологическая инновация
   Разработчики используют его для тестирования новых идей и быстрой генерации прототипов кода.

QA

1. Какие модели поддерживаются?
   Поддержка Claude 3.5 Sonnet, GPT-4o, o1-preview и т.д., см. llm.py Документация.
2. Сколько стоил эксперимент?
   С Claude 3.5 это примерно 15-20 долларов за сессию, плюс 5 долларов за написание.
3. Что делать, если не удается создать диссертацию?
   Процент успеха зависит от модели и сложности идеи, а параметры можно скорректировать или повторить попытку с другой моделью.
4. Как добавить новое направление исследований?
   существовать ai_scientist/ideas/ Добавьте новый JSON-файл в каталог и измените его, ссылаясь на пример.