用于生成和评估科学假设的新型生成式人工智能框架
2024年10月8日
设想一下，如果我们能够自动化地发现突破性的科学假设，以前所未有的速度开启新的可能性。三个研究团队已朝这一方向迈出了重要一步，推出了旨在高效生成和评估科学假设的机器学习框架。
这一新框架围绕三个核心阶段构建：提取、生成和评估假设。首先，系统从科学文献中提取已有假设，并以命题逻辑的形式加以表示。其次，系统使用经过优化的机器学习模型，基于所提取的知识生成新的假设。最后，一组基于图论的指标对所生成假设的新颖性和相关性进行评估。
这项工作属于更广泛的新一波机器学习框架浪潮的一部分，这些框架旨在实现科学假设生成的自动化。近期研究还推出了其他若干在该领域展现潜力的框架，它们利用 GPT-4 和 Claude-2 等大语言模型（LLM）的能力，加速包括心理学在内的多个领域的科学发现。
其中一个值得关注的框架是芝加哥大学开发的 HypoGeniC，它侧重于基于标注数据生成假设。HypoGeniC 分三个阶段运行：
初始假设生成：框架分析少量示例，生成初始假设。
假设迭代更新：受多臂老虎机问题启发，HypoGeniC 使用奖励函数对假设进行迭代优化，在潜在假设的探索与利用之间取得平衡。
基于假设的推断：框架利用所生成的假设对新数据进行预测，并采用一系列推断策略整合多个假设的综合知识。
HypoGeniC 在合成数据集和真实数据集（如虚假评论检测、新闻标题热度预测和推文热度预测）上的测试取得了令人鼓舞的结果。在许多情况下，HypoGeniC 的表现优于少样本学习基线，甚至达到或超过传统监督学习方法的水平，这表明基于假设的推断是有效的。
另一项来自清华大学的研究提出了基于大语言模型的因果图（LLMCG）框架，该框架利用因果知识图谱与大语言模型之间的协同作用，实现心理学假设生成的自动化：
文献检索：LLMCG 分析大量心理学文章以提取因果关系，构建专门面向心理学的因果图。
因果对提取：框架借助大语言模型，从科学文章文本中识别并提取因果关系，重点关注研究结果中明确陈述的关系。
基于链接预测的假设生成：LLMCG 采用链接预测算法，在所构建的因果图中识别潜在的因果关系，并据此生成新的假设。
对 LLMCG 的评估将其在幸福感主题上生成的假设，与博士生以及单独使用大语言模型所生成的假设进行了比较。结果表明，LLMCG 生成的假设在新颖性上与人类专家（博士生）相当，且显著高于仅由大语言模型生成的假设。该框架与因果图的结合，使其既能生成立足于现有心理学知识的假设，也能探索概念之间可能的新联系。
这些框架虽然具体方法各异，但有着共同的目标：将通常耗时费力的科学假设生成过程自动化。通过将大语言模型与因果知识图谱、结构化表示以及精细的评估指标相结合，它们显著增强了推动科学进步的能力。
华盛顿大学的框架与上述其他工作一道，彰显了机器学习在变革假设生成方面的巨大潜力。在多个数据集上的初步测试中，华盛顿大学的框架成功生成了既具开创性又与当前研究保持相关性的假设。这类能力凸显了机器学习在变革假设生成、加速创新方面的力量。
这项工作的意义十分深远。通过自动化假设生成，研究者可以大幅增加可检验问题的数量，最终加速创新与发现。这类进展的价值不止于提升效率，它还有望揭示原本可能被忽视的新路径和新视角。
华盛顿大学团队正在积极完善该框架，并致力于将其应用拓展至医学和工程等其他领域。他们的目标是让世界各地的科学家都能使用这一工具，帮助他们以更快的速度和更强的创造力探索各自领域的前沿。请参阅下方他们的研究展示。
这项工作让我们得以一窥科学研究令人振奋的未来：智能算法能够激发灵感，并引导通往发现的旅程。
留言