Броят на научните статии нараства толкова бързо, че учените вече не смогват да следят всички, дори в собствената си изследователска област. Екип от Технологичния институт Карлсруе (KIT) показа как от това богатство от информация все още могат да се получат нови изследователски идеи.
Материалознанието е в основата на много технологии като батерии, слънчеви клетки, електронни компоненти и медицински приложения. Това го прави интердисциплинарна област със силно влияние върху много сфери на изследванията и технологиите и съответно с голям обем научни статии.
Описаните в тези статии констатации обаче са полезни само ако могат да бъдат идентифицирани съответните тенденции и взаимовръзки. Използвайки изкуствен интелект, учените систематично анализират публикации в областта на материалознанието и така идентифицират потенциални нови пътища за изследване.
„Нашата цел е да подкрепим изследователите в техните творчески мисловни процеси, като хвърлим светлина върху нови пътища на изследване и възможности за интердисциплинарно сътрудничество“, казва професор Паскал Фридрих от Института по нанотехнологии към KIT.
В своя проект изследователите комбинираха големи езикови модели (LLM) с методи за машинно обучение (LM). LLM започват с идентифициране на ключова терминология и научни концепции в статиите в списанията. Тази информация се използва за генериране на графика на концепциите – мрежа от знания, в която всяка ключова дума образува възел.
Втори модел за машинно обучение свързва възлите, когато термини се споменават заедно, особено често в научни статии.
„Например, ако нашият LLM наблюдава, че термини като „перовскит“ и „слънчева клетка“ се появяват по-често заедно, той ще начертае нова връзка в графиката на концепциите“, казва Томас Марвиц, студент по компютърни науки в KIT и водещ автор на изследването.
„След това LM модел анализира тенденциите в тези връзки, за да предвиди кои комбинации от научни концепции биха могли да станат по-значими през следващите две или три години“, пояснява Марвиц.
LM моделът на машинно обучение прави това, като анализира как връзките между термините се променят в продължение на много години. Когато определени понятия се свързват с нарастваща честота, това може да е индикация, че се развива нова област на изследване.
И обратно, намаляването на броя на връзките може да е индикация, че определени теми губят актуалност.
Резултатите от анализите могат да насочат изследователите към комбинации от теми, на които преди това е било обръщано малко внимание. Интервюта с експерти показват, че те наистина виждат някои от генерираните от изкуствен интелект предложения като иновативни и обещаващи.
„Ние не се опитваме да заменим изследователите“, подчертава Фридрих. „Нашите открития не са машина за изобретения, а аналитичен инструмент, който може да помогне за по-ефективното идентифициране на нови идеи и възможности за сътрудничество. Нашата цел е да предоставим целенасочена подкрепа за научното творчество“.
Проучването показва как големи обеми научна литература могат да бъдат систематично анализирани с помощта на изкуствен интелект. Този подход би могъл да помогне и за разкриване на нововъзникващи тенденции в изследванията в други научни области.
