SelfAI: Selbstlernende KI-Plattform mit LLM-Agenten revolutioniert Forschung

In der jüngsten Forschung zur autonomen wissenschaftlichen Entdeckung setzen immer mehr Systeme auf große Sprachmodelle (LLMs), um Problemdefinition, Experimentplanung und Ausführung zu verknüpfen. Diese Ansätze sind jedoch häufig auf eng begrenzte Anwendungsbereiche beschränkt, bieten nur begrenzte Echtzeitinteraktion mit Forschern und fehlen robuste Kriterien, wann die Exploration beendet werden sollte. SelfAI adressiert diese Schwächen, indem es ein generisches Multi-Agenten-Framework bereitstellt, das die gesamte Forschungspipeline von der Zieldefinition bis zur Auswertung abdeckt.

SelfAI vereint drei Kernkomponenten: einen User Agent, der Forschungsziele in standardisierte Experimentkonfigurationen übersetzt; einen Cognitive Agent, der von LLMs angetrieben wird und mithilfe von optimalen Stoppkriterien die Hyperparameter-Suche iterativ verfeinert; und einen Experiment Manager, der parallele, fehlertolerante Trainingsabläufe über heterogene Hardware orchestriert und gleichzeitig eine strukturierte Wissensdatenbank für kontinuierliches Feedback pflegt.

Zur Bewertung der Effizienz und Vielfalt der Suchpfade wurden zwei neue Metriken eingeführt – Score und AUP_D. In einer breiten Palette von Benchmarks, darunter Regression, NLP, Computer Vision, wissenschaftliches Rechnen, medizinische Bildgebung und Wirkstoffentwicklung, erzielt SelfAI konsistent starke Ergebnisse und reduziert redundante Versuche im Vergleich zu klassischen Bayesian-Optimierungsverfahren und anderen LLM-basierten Baselines.

Durch die nahtlose Interaktion mit menschlichen Forschern ermöglicht SelfAI eine effiziente Zusammenarbeit, bei der Experten ihr Wissen gezielt einbringen können, während das System selbstständig die Exploration steuert. Diese Kombination aus Automatisierung, Transparenz und Flexibilität verspricht, die Produktivität in vielen Forschungsbereichen nachhaltig zu steigern.