智能深度图推理催生自组织知识网络

发布于 2025 年 2 月 18 日

arXiv:2502.13025 [ cs.AI, cond-mat.mtrl-sci, cs.CL, cs.LG ] github:lamm-mit/PRefLexOR

摘要

我们提出了一种智能的、自主的图扩展框架，该框架迭代地在现场构建和优化知识。与依赖静态提取或单次学习的传统知识图谱构建方法不同，我们的方法将一种推理原生的语言大模型与不断更新的图表示相结合。在每一步中，系统主动生成新的概念和关系，将它们合并到全局图中，并根据其演变结构制定后续提示。通过这种反馈驱动的循环，模型将信息组织成一个无标度网络，该网络的特点是形成中心、稳定的模块化和连接不同知识集群的桥接节点。经过数百次迭代，新的节点和边不断出现而不会饱和，同时中心性度量和最短路径分布不断演变，从而产生越来越分布式的连接。我们的分析揭示了涌现的模式，例如高度连接的“中心”概念的兴起以及“桥接”节点影响力的变化，这表明智能的、自增强的图构建可以产生开放式、连贯的知识结构。应用于材料设计问题时，我们通过提取节点特定和协同级别原理进行组合推理实验，以促进真正新颖的知识综合，产生超越死记硬背总结的跨领域思想，并增强该框架在开放式科学发现方面的潜力。我们讨论了在科学发现中的其他应用，并概述了未来增强可扩展性和可解释性的方向。