HypoChainer: совместная система, объединяющая большие языковые модели и графы знаний для научных открытий на основе гипотез
HypoChainer: A Collaborative System Combining LLMs and Knowledge Graphs for Hypothesis-Driven Scientific Discovery
2025-12-03
SCID: 54.1/ypju63ns
Discuss with AI
HypoChainerграфовые нейронные сетиграфы знанийбольшие языковые моделигенерация с дополненной поиском
Figures from the paper
Abstract (AI)
Современные научные исследования сталкиваются с трудностями интеграции быстро растущих и разнообразных знаний, необходимых для изучения новых закономерностей в биологии. Хотя традиционные исследования на основе гипотез доказали свою эффективность, они ограничены когнитивными возможностями человека, сложностью знаний и высокой стоимостью экспериментов методом проб и ошибок. Модели глубокого обучения, особенно графовые нейронные сети (GNN), ускорили научный прогресс. Однако огромное количество генерируемых ими предсказаний делает их ручной отбор для экспериментальной валидации практически невозможным. Попытки использовать большие языковые модели (LLM) для фильтрации предсказаний и формирования новых гипотез осложняются такими проблемами, как галлюцинации и отсутствие структурированной опоры на знания, что снижает надежность этих моделей. Для решения этих проблем мы предлагаем HypoChainer — совместную визуализационную платформу, объединяющую экспертные знания человека, рассуждения на основе LLM и графы знаний (KG) для совершенствования научных открытий с помощью визуальной аналитики. HypoChainer работает в рамках трех ключевых этапов: (1) контекстное исследование: специалисты предметной области используют генерацию с дополнением извлеченными данными (RAG) на основе LLM и визуализации для извлечения идей и определения исследовательских направлений из обширного набора предсказаний GNN; для углубленного понимания также предоставляются интерактивные объяснения; (2) построение гипотезы: эксперты итеративно исследуют информацию из KG, связанную с предсказаниями и сущностями, соответствующими гипотезе, получают знания и новые идеи и уточняют гипотезу с помощью предложений LLM; (3) отбор для валидации: предсказания приоритизируются на основе уточненных цепочек гипотез и подтвержденных графом знаний свидетельств, что позволяет выявить кандидатов высокого приоритета для валидации. Цепочки гипотез дополнительно оптимизируются с помощью визуальной аналитики результатов поиска. Эффективность HypoChainer в построении гипотез и научных открытиях оценивалась посредством тематического исследования и интервью с экспертами.
Key Findings
1
Эффективность HypoChainer для построения гипотез и научного поиска оценивалась с помощью тематического исследования и интервью с экспертами.
2
Эксперты уточняют цепочки гипотез, интерактивно исследуя сущности графа знаний, визуализированные результаты поиска и предложения LLM.
3
HypoChainer объединяет экспертизу человека, рассуждение LLM с дополненной извлечением информацией, графы знаний и визуализацию для научного поиска, основанного на гипотезах.
4
HypoChainer включает три этапа: контекстное исследование предсказаний GNN, итеративное построение гипотез и отбор кандидатов для валидации на основе доказательств.
5
Фреймворк решает проблемы галлюцинаций LLM и неструктурированности знаний, основывая генерацию гипотез и фильтрацию предсказаний на графах знаний.
Research Object
ориентированный на биологию процесс научного открытия, включающий предсказания GNN, LLM и графы знаний
Research Subject
совместные человеком и LLM построение и уточнение цепочек гипотез, а также приоритизация их валидации на основе свидетельств из графа знаний
Publication Details
Publication Date
2025-12-03
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Учёный ИИ: к полностью автоматизированному открытому научному поиску2024
Использование поиска фрагментов текста с генеративными моделями для ответов на вопросы в открытом домене2021
LightRAG: простой и быстрый подход к генерации с дополнением извлечённой информацией2025
Графы знаний: возможности и проблемы2023