九问ScienceDiscovery实现树搜索驱动RSI，加速科学发现，小时级写出通用积分器，低成本找出物理科学规律
内容提要
openJiuwen社区的ScienceDiscovery平台通过树搜索自动迭代科研代码，无需训练模型或调整参数。它成功解决了振荡积分计算、高斯超几何函数求值、代码加速和符号回归等任务，如将积分误差降至0.07%，加速比达2.279倍。平台依赖机器可判定的结果，验证成本低，适合数值计算领域，未来需扩展至验证周期长的科研领域。
延伸解读
验证成本决定自动化边界
ScienceDiscovery的三个案例都依赖机器可判定的结果，积分误差、加速比、方程正确性都能在几秒到几十秒内自动评分。文章明确指出，验证周期长的领域（如实验科学）会拖慢整个搜索循环，因此当前平台更适用于数值计算、代码优化等验证成本低的任务。这提示读者，RSI的适用性受限于验证速度，而非仅靠算法本身。
树搜索的平衡策略
平台采用树搜索而非简单的贪心策略，通过节点分数和权重衰减机制，在深挖当前最优分支与探索早期搁置分支之间取得平衡。积分案例中，最终版本源自一个得分很低的旧版本（第65版），而当时的最优版本已连续改写无果。这种机制避免了陷入局部最优，是区别于单链迭代的关键设计。
通用底座与任务适配
文章强调，ScienceDiscovery的底座将演进循环固定为四个插槽，更换任务只需替换评分函数和根节点，无需改动并发、治理等基础设施。三个案例（积分、加速、符号回归）均基于同一套底座，且支持异步并行扩展，相比Google ERA的串行实现效率更高。这体现了平台作为通用科研工作台的潜力。
Q&A
ScienceDiscovery平台的核心创新是什么？
ScienceDiscovery平台的核心创新在于通过树搜索自动迭代科研代码，无需训练模型或调整参数。它让程序自己决定如何改进代码，每一轮迭代包括选择父版本、模型改写、沙箱评分和挂载新节点，从而在目标给定后自主探索改进方向。
ScienceDiscovery在振荡积分计算上取得了什么成果？
在振荡积分计算任务中，ScienceDiscovery在2小时内产生236个版本，最终找到的求解器在19道测试题上全部算准，平均相对误差0.07%，而直接调用scipy.integrate.quad的误差极大。该求解器是一套通用规则，能处理未参与打分的题目。
ScienceDiscovery如何改进高斯超几何函数的求值精度？
ScienceDiscovery通过48次扩展、598秒的搜索，产出一份199行的程序，在1000个未见过的点上，平均正确位数从9.836升至11.771，能算到10位以上的点从659增至965。它发现当z小于-1时标准算法不收敛，并利用经典恒等式将z替换为1/z来避开问题区域。
ScienceDiscovery在代码加速任务中相比其他方法表现如何？
在AlgoTune基准测试中，ScienceDiscovery平均加速2.279倍，超过官方榜最高的claude-opus-4.6（1.837倍）和需要RL训练的MetaEvolve（2.045倍），且无需额外训练模型。
ScienceDiscovery在符号回归任务中的成功率和成本如何？
在LLM-SRBench的LSR-Transform子集上，ScienceDiscovery在111道题中有41.4%写出了正确方程，每题平均仅16.5次模型调用，采用deepseek-v4-flash费用不足3元。
ScienceDiscovery的树搜索选择策略有何特点？
ScienceDiscovery的选择策略不是只改写当前最优版本，而是将全树所有节点比较，每个节点有分数，名次靠前的更易被选中，同时同一节点被选中后权重衰减，促使搜索既深挖当前最佳路径，也会回到早先搁置的分支，从而避免陷入局部最优。
ScienceDiscovery平台适用于哪些科研领域？
ScienceDiscovery目前适用于验证成本低、结果可机器判定的领域，如数值计算、代码优化和符号回归。对于验证周期长（如需要实验）的领域，由于验证慢，整个循环会变慢，因此需要进一步扩展。
