ИИ для прогнозирования научных трендов в материаловедении

В условиях стремительного роста объемов научных публикаций, даже специалистам становится сложно отслеживать все новейшие исследования в своей области. Однако, команда ученых из Карлсруэского технологического института (KIT) совместно с партнерами продемонстрировала, как искусственный интеллект (ИИ) может помочь в обнаружении перспективных направлений для исследований. Используя передовые алгоритмы, они провели систематический анализ публикаций в области материаловедения, выявив потенциальные новые научные горизонты. Результаты этой работы опубликованы в журнале Nature Machine Intelligence.

Материалы лежат в основе многих ключевых технологий, включая производство аккумуляторов, солнечных батарей, электронных компонентов и разработку медицинских приложений. Материаловедение, как междисциплинарная область, оказывает значительное влияние на множество научных и технических направлений, что отражается в огромном количестве публикуемых статей. Ценность этих исследований заключается в способности выявлять актуальные тренды и взаимосвязи.

В свете этого, авторы исследования сосредоточились на методах систематического анализа научных статей. "Наша цель — поддержать творческий мыслительный процесс исследователей, освещая новые перспективные направления и возможности для междисциплинарного сотрудничества", — отметил профессор Паскаль Фридерих из Института нанотехнологий KIT.

Комбинирование больших языковых моделей и машинного обучения

В рамках проекта исследователи объединили возможности больших языковых моделей (LLM) и методов машинного обучения (ML). LLM сначала идентифицируют ключевые термины и научные концепции в статьях, формируя на их основе граф понятий — сеть знаний, где каждый термин является узлом.

Второй моделью машинного обучения соединяются узлы, соответствующие терминам, часто упоминаемым вместе в научных публикациях. "Например, если LLM обнаруживает, что термины 'перовскит' и 'солнечная ячейка' часто встречаются вместе, она создает новую связь на графе понятий", — пояснил Томас Марвиц, студент факультета информатики KIT и ведущий автор исследования. "Затем ML-модель анализирует динамику этих связей на протяжении многих лет, чтобы предсказать, какие комбинации научных концепций могут приобрести большую значимость в ближайшие два-три года".

Модель ML достигает этого, анализируя, как частота связей между терминами изменяется во времени. Увеличение частоты связей может указывать на зарождение новой области исследований, тогда как снижение — на утрату актуальности определенных тем.

Идеи для новых исследовательских направлений

Результаты анализа могут направить исследователей к комбинациям тем, которые ранее не привлекали должного внимания. Опросы экспертов показали, что предложенные ИИ идеи были восприняты как инновационные и многообещающие.

"Мы не стремимся заменить исследователей", — подчеркнул Фридерих. "Наши результаты — это не машина для изобретений, а аналитический инструмент, который может помочь более эффективно выявлять новые идеи и возможности для сотрудничества. Наша цель — оказывать целенаправленную поддержку научной креативности".

Исследование демонстрирует, как ИИ может использоваться для систематического анализа больших объемов научной литературы. Этот подход также может помочь выявить зарождающиеся исследовательские тренды в других научных областях.