SciNets：面向科学文献综合的图约束多跳推理

跨领域科学综合需要将分散文献中的机理解释连接起来，这一能力对于基于检索的系统和无约束的语言模型而言仍具挑战性。尽管近期工作已将大语言模型应用于科学摘要和问答，但这些方法对推理深度和结构基础的控制有限。我们将机理综合构建为一个基于文献衍生概念图的图约束多跳推理问题。给定一个科学查询和一个紧凑的、查询局部的语料库，SciNets 构建一个有向概念图，并通过识别连接那些在单篇论文中很少共现的概念的多跳推理路径来综合机理解释。我们系统地比较了最短路径推理、带多样性约束的 k-最短路径、随机游走以及一个检索增强的语言模型基线。当综合跨分布式来源的连接时，正确性往往是不确定的，因此我们不评估正确性，而是引入一个行为框架来衡量符号推理深度、机理多样性和基础稳定性。在机器学习、生物学和气候科学任务中，显式图约束实现了可控的多跳推理，同时揭示了一个一致的权衡：更深、更多样的符号推理会增加基础不稳定性，而最短路径推理则保持高度稳定但在结构上较为保守。这些发现为当前图-大语言模型集成在科学综合中的能力和局限提供了系统的行为表征。