장기 연구 요원에 대한 학문적 탐구의 영역

연구 자동화.agent가 이제 과학적 후보자를 평가하고 선택할 수 있으며, 그 평가 기준은 일반적으로 지역, 슬라이스 또는 집단의 다각화된 공간에서 합산된 값입니다. 하지만 과학적 유효성이 이러한 분산 구조에 존재할 경우, 합산된 값은 잘못된 후보자를 최우선 순위로 매길 수 있습니다. 헤드라인 숫자가 향상되면서 구조 underneath가 뒤집히기 때문에, 숫자에 기반하여 결정한 경우에는 quiet하게 모델을 깨트리는 후보자를 수용하게 됩니다. 이러한 실패는 특정 영역에 국한되지 않으며, 후보자의 유효성이 다차원적이지만 verifier가 단일 감소로만 구성되어 있는 곳에 나타납니다. 우리는 Ecosystem Demography 모델의 fire-model 작업에서 이러한 뒤집음의 예를 보여줍니다. 최고 점수를 받은 후보자와 약간 낮은 점수를 받은 후보자는 글로벌 점수에서 noise의 범위 내에 있습니다. 그러나 최고 점수를 받은 후보자는 보호된 북극 지역을 붕괴시키는 반면, 다른 후보자는 그들을 보존합니다. 최고 점수를 받은 후보자와 약간 낮은 점수를 받은 후보자 사이의 차이는 지역별 행동에 있습니다, 아니라 헤드라인 숫자에 있습니다. 이러한 결정은 agent가 후보자를 생성한 이후에 남겨두면 안 됩니다. 스코어를 최적화하는 agent는 스코어가 잘못되었을 때 스코어를 찾는 마지막 PARTY이며, agent가 멈추면 prompt는 더 이상 회전하지 않습니다. 우리는 각 후보자가 분산된 행동에 대한 감사를 받고, agent가 결정한 이후에 행동하는 외부 제어 루프로 결정을 옮기겠습니다. 외부 제어 루프는 agent가 승인했을 경우 후보자를 하향 조정하고, agent가 완료라고 선언한 실행을 재개할 수 있습니다. 우리의 기여는 뒤집음을 찾는 것과, score 대신에 후보자 효과 증거를 검토할 수 있는 검색-규범 프로토콜입니다.