SciMON：为新颖性优化的科学灵感机器
计算与语言
2025-06-11 v7 人工智能
机器学习
摘要
我们探索并增强神经语言模型基于文献生成新颖科学方向的能力。基于文献的假设生成工作传统上聚焦于二元链接预测——严重限制了假设的表达力。该研究方向也未聚焦于优化新颖性。我们大幅偏离以往，提出一种新设定：模型以背景上下文（如问题、实验设置、目标）为输入，输出基于文献的自然语言想法。我们提出 SciMON，一种建模框架，它从过往科学论文中检索“灵感”，并通过迭代地与先前论文比较并更新想法建议，直至达到充分新颖性，来显式优化新颖性。综合评估显示 GPT-4 倾向于生成整体技术深度与新颖性均较低的想法，而我们的方法部分缓解了此问题。我们的工作代表了迈向评估与开发从科学文献中生成新想法的语言模型的第一步。
引用
@article{arxiv.2305.14259,
title = {SciMON: Scientific Inspiration Machines Optimized for Novelty},
author = {Qingyun Wang and Doug Downey and Heng Ji and Tom Hope},
journal= {arXiv preprint arXiv:2305.14259},
year = {2025}
}
备注
21 pages. Code and resource are available at https://github.com/EagleW/CLBD Accepted by the 62nd Annual Meeting of the Association for Computational Linguistics (ACL 2024)