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
Haoran Jiang, Shaohan Shi, Yunjie Yao, Chang Jiang, Quan Li
2025-12-03

HypoChainerграфовые нейронные сетиграфы знанийбольшие языковые моделигенерация с дополненной поиском
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.
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.

ориентированный на биологию процесс научного открытия, включающий предсказания GNN, LLM и графы знаний

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
Access Type
Author Information
Authors
Haoran Jiang
Shaohan Shi
Yunjie Yao
Chang Jiang
Quan Li
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%