深度构想：用于生成科学概念网络中新颖研究想法的 LLM 代理

新颖的研究想法在推动科学探究方面发挥着关键作用。近期大语言模型（LLM）的进展表明，其有潜力通过利用大规模科学文献生成新颖的研究想法。然而，过去的研究方法主要依赖于简单的方法，如关键词共现或语义相似性。这些方法关注文献中的统计关联，但忽略了科学概念之间复杂的、情境化的关系，这些关系是有效利用人类文献中所嵌入知识的关键。例如，同时提到“关键词 A”和“关键词 B”的论文常常提出集成这两个概念的研究想法。此外，一些 LLM 驱动的方法会提出并细化研究想法，但未能有效利用科学概念网络，限制了想法在已建立研究中的 grounding。为此，我们提出了 Deep Ideation 框架以解决这些挑战，集成了一个捕获关键词共现和情境关系的科学网络，丰富了 LLM 驱动的构想。该框架引入了探索-扩展-演化工作流程，用于迭代细化研究想法，使用 Idea Stack 来跟踪进展。一个 critic 引擎根据真实世界的评审反馈进行训练，提供关于想法新颖性和可行性的持续反馈。我们的实验表明，我们的方法比其他方法提高了 $10.67\%$ 的想法质量，所生成想法甚至超越了顶级会议的接受水平。人类评估突显了其在科学研究中的实际价值，消融研究确认了工作流程中每个组件的有效性。代码仓库地址为 https://github.com/kyZhao-1/Deep-Ideation。