FlowPIE: Dynamische Literaturexploration für innovative Forschungsideen

Wissenschaftliche Ideenfindung steht im Fokus von KI‑gestützter Forschung, doch bisherige Methoden arbeiten meist mit einem statischen „Retrieval‑then‑Generation“-Ansatz, der zu wenig Vielfalt liefert. FlowPIE löst dieses Problem, indem es Literatursuche und Ideenentwicklung als ein sich gegenseitig beeinflussten Prozess betrachtet.

Der Kern von FlowPIE ist ein flow‑gesteuertes Monte‑Carlo‑Tree‑Search, das von GFlowNets inspiriert ist. Dabei werden Literaturpfade erweitert, während ein LLM‑basiertes Reward‑Modell die Qualität der aktuellen Ideen bewertet und als Lernsignal für adaptive Retrieval‑Strategien dient. So entsteht eine vielfältige, hochwertige Ausgangspopulation.

Anschließend wird die Ideenentwicklung als Test‑Time‑Evolution modelliert. Durch Auswahl, Kreuzung und Mutation im Isolation‑Island‑Paradigma sowie Fitness‑Berechnung mit dem Reward‑Modell werden Ideen weiterentwickelt und mit Wissen aus unterschiedlichen Disziplinen angereichert. Dadurch werden Informations­kapseln vermieden, die durch übermäßige Abhängigkeit von parametrischem Wissen entstehen.

Umfangreiche Tests zeigen, dass FlowPIE konsequent Ideen mit höherer Neuheit, Durchführbarkeit und Vielfalt generiert als starke LLM‑ und agentenbasierte Modelle. Gleichzeitig ermöglicht es eine Skalierung der Belohnung während des Test‑Times, was die Flexibilität und Anpassungsfähigkeit des Systems weiter erhöht.