发现引擎：面向 AI 驱动的科学知识景观合成与导航的框架
软凝聚态物质
2025-05-26 v1 人工智能
摘要
当前的科学知识传播模型依赖于分散在众多期刊和档案中的个别出版物。这个传统系统不适用于近期出版物的指数级增长，导致信息过载难以承受，以及关于可重复性和撤回的诸多问题。我们引入发现引擎（Discovery Engine），一个框架来解决这些挑战，通过将一组离散的文献转化为科学领域的统一、可计算可处理的表示。我们方法的核心是利用 LLM 对文献进行提炼，生成结构化的“知识制品”，即通用概念模式的实例，包含可验证的来源证据链接。这些制品随后被编码到高维概念张量中。这一张量作为综合领域的主要压缩表示，其中标记的模式索引科学组成部分（概念、方法、参数、关系），其条目量化了它们之间的相互依赖性。发现引擎允许动态“展开”这一张量为人类可解释的视图，例如显式知识图谱（CNM 图）或语义向量空间，以便针对性探索。关键的是，AI 代理可直接在图上上进行操作，利用抽象数学和学习操作来导航知识景观，识别非显而易见的联系，定位空白，并帮助研究人员生成新的知识制品（假设、设计）。通过将文献转化为结构化张量并启用基于代理的交互，这一紧凑表示为 AI 增强的科学探究和加速发现提供了新范式。
引用
@article{arxiv.2505.17500,
title = {The Discovery Engine: A Framework for AI-Driven Synthesis and Navigation of Scientific Knowledge Landscapes},
author = {Vladimir Baulin and Austin Cook and Daniel Friedman and Janna Lumiruusu and Andrew Pashea and Shagor Rahman and Benedikt Waldeck},
journal= {arXiv preprint arXiv:2505.17500},
year = {2025}
}