Onderzoekers van de University of California, San Diego hebben SplatLab ontwikkeld, een autonoom systeem dat in staat is om zelfstandig wetenschappelijke hypotheses te formuleren, te implementeren en te valideren binnen het vakgebied van 3D Gaussian Splatting (3DGS).
Wetenschappelijke ontdekkingen vereisen doorgaans een langdurig proces van literatuurstudie, experimentele validatie en communicatie via peer-reviewed publicaties. Volgens een publicatie op arxiv.org is het sluiten van deze volledige cyclus voor autonome AI-agenten tot nu toe een grote uitdaging gebleken, vooral in snel evoluerende velden zoals computer vision, waar complexe trainingspijplijnen en kostbare evaluaties noodzakelijk zijn. SplatLab probeert dit gat te dichten door het volledige proces van idee tot manuscript te automatiseren.
Van prompt naar manuscript
SplatLab kan worden gestart met een specifieke onderzoeksprompt, een URL van een bestaand wetenschappelijk artikel of zelfs zonder enige input. Het systeem reproduceert vervolgens een gepubliceerde baseline en stelt op basis daarvan nieuwe uitbreidingen voor. In plaats van een project volledig vanaf nul op te bouwen, maakt het systeem gebruik van een geverifieerde reproductie-backbone waarrond nieuwe kandidaten als 'plugins' worden gemuteerd.
Het proces verloopt via zes fasen: grounding, ideatie, implementatie van geverifieerde plugins, een toernooi voor selectie, een integriteitsaudit en tot slot de synthese van het manuscript. Zoals beschreven op de seemandharjain.com, kan het systeem een eenregelige prompt omzetten in een volledig manuscript dat klaar is voor indiening.
Experimentele validatie en kwaliteitscontrole
Om de kwaliteit van de voorgestelde methoden te waarborgen, hanteert SplatLab een strikt selectieproces. Kandidaten worden tegen elkaar uitgespeeld in een zogenaamd 'cascade-weighted Elo tournament'. Hierbij wordt de prestatie gemeten op basis van GPU-prestaties en PSNR-waarden (Peak Signal-to-Noise Ratio) op datasets zoals Mip-NeRF 360 en LLFF.
Een cruciaal onderdeel van dit proces is de 'standing falsifier'. Volgens informatie van alphabell.com trekt deze component Elo-punten af van kandidaten die falen tijdens adversaire stresstests. Dit voorkomt dat methoden worden geselecteerd die enkel in gunstige scenario's goed scoren, maar niet robuust zijn. Daarnaast zorgt een integriteitsaudit ervoor dat elke numerieke claim in het uiteindelijke manuscript direct gekoppeld is aan een gelogde trainingsrun, wat de reproduceerbaarheid van de resultaten waarborgt.
Resultaten en impact
De effectiviteit van het systeem is aangetoond door de generatie van 16 volledige onderzoeksmanscripten zonder menselijke tussenkomst in de code. De resultaten tonen PSNR-verbeteringen van +0,18 tot +3,78 dB ten opzichte van de baselines. Een opvallend resultaat was de verbetering van +3,78 dB bij het renderen van astrofotografische nevels, een gebied dat tot nu toe onontdekt bleef binnen 3DGS-onderzoek.
Op huggingface.co wordt benadrukt dat SplatLab de tijd die normaal gesproken maanden aan menselijke inspanning kost, kan terugbrengen tot slechts 24 tot 48 uur aan autonome computertijd. Het systeem maakt gebruik van 36 gespecialiseerde agenten verdeeld over zeven fasen. De praktische waarde van de output is reeds bewezen: drie van de vier ingediende werken werden geaccepteerd voor een workshop op CVPR 2026.
Het onderzoek naar SplatLab is officieel geaccepteerd voor de conferentie NeurIPS 2026, wat de groeiende interesse in autonome AI-wetenschappers onderstreept. De ontwikkelaars hebben het framework, de gegenereerde manuscripten en de experimentele records open-source beschikbaar gesteld voor de wetenschappelijke gemeenschap.