Show HN: 半自律的な理論発見のためのオープンソースAI科学者

ImbueはCatalystを公開しました。これは半自律的な科学研究と理論発見を実現するオープンソースツールです。既存の大規模言語モデル（LLM）を基盤としながら、2つの独自ワークフローで能力を大幅に向上させます。1つ目は「現象の説明」で、観測された現象の理論を自律的に開発し、ユーザーが提供した理論草案の修正も可能です。2つ目は「検証可能な目標解決」で、コードによる検証を通じて研究目標の解決や指標の最適化を行います。また、事前定義された手動操作（理論の正しさのレビュー、改良の提案、候補の評価など）も提供されます。

Catalystは特に、計算実験と数学的導出によって理解できる現象に適しており、特に機械学習・深層学習理論の分野での使用が想定されています。例えば、「Yを行うとXが観測される。Xを引き起こすメカニズムは何か？」といった「なぜ」の質問に答える問題に適しています。問題は正確に記述され、範囲が限定され、プログラム的に再現・調査できる必要があります。検証可能な目標解決では、「条件Xを満たす設定や関数を検証スクリプトYで見つける」や「モデルAのトレーニング速度を最適化し、精度をB以下に落とさない」といった問題が対象です。

一方、Catalystは以下のような問題には適しません：明確なプログラム的検証基準がない非構造化最適化（「モデルを良くする」など）、主観的または不十分な成功基準の問題、純粋な工学的問題、基盤モデルの能力を大幅に超える問題（P=NPの証明など）、コンピューターで実行できない実験を必要とする問題、および多大な計算リソースを要する問題。デフォルトでは各実験の実行時間は30分に制限されています。

生のLLMと比較したCatalystの利点は、敵対的レビュー・改善ループ（一方のエージェントが理論を改善し、別の独立したエージェントが反証や限界を指摘する）と進化的システム（競合する理論の集団を維持し、実験データに基づいてランク付けと選択を行う）にあります。これにより、単体のLLMでは達成困難な成果を生み出せます。

使用するにはリポジトリをクローンして依存関係をインストールし、Claude Code、Gemini CLI、Antigravity CLI、Codex CLIなどのLLMバックエンドが必要です。ワークフローによってコストは大きく異なり、進化的ワークフローでは100以上のサブエージェントが関与するため、トークン消費が多くなる可能性があります。ユーザーは「Step Type Model Overrides」を設定して、開発ステップにのみ最強モデルを使用し、レビューやスコアリングステップには弱いモデルを使うことでコストを最適化できます。

CatalystはImbueチームによって開発され、AGPL-3.0ライセンスで提供されています。詳細なドキュメント（セットアップ、クイックスタートガイド、研究途中の方向転換、ワークフローとアドオン、CLIエージェントの使い方など）はリポジトリ内で参照できます。