在推進人工智慧 (AI) 研究的過程中，一個基本的挑戰是開發能夠自主進行結構化推理並動態擴展領域知識的系統。傳統的 AI 模型通常依賴隱式推理過程，這限制了它們解釋決策的能力，無法在不同領域之間適應，也無法概括關係模式。這些缺點妨礙了它們在需要跨學科方法的複雜科學問題上的應用，例如假設生成、因果推斷和創造性推理。克服這些限制需要能夠明確編碼、精煉和轉移關係知識的系統，同時保持適應性和可解釋性。
現有的方法，包括變壓器 (transformers) 和圖神經網絡 (GNNs)，在自然語言處理和關係任務（如屬性預測）方面取得了顯著進展。然而，變壓器主要在語言流暢性方面表現優異，但過度依賴隱式推理過程，限制了它們編碼明確結構的能力。雖然 GNNs 能夠表示關係系統，但在區分非同構圖方面經常遇到困難，限制了它們的層次推理和抽象能力。此外，這兩種方法在適應新領域方面也存在局限，通常需要大量標記數據，降低了它們在需要即時推理或跨學科綜合的任務中的效率。
麻省理工學院 (MIT) 的研究人員提出了一個名為 Graph-PReFLexOR 的創新框架，將基於圖的推理與符號抽象結合，以應對這些挑戰。這個框架將推理形式化為一個結構化映射 M: T→(G, P, A)，其中任務生成知識圖 (G)、抽象模式 (P) 和最終答案 (A)。受到範疇理論的啟發，它將概念編碼為節點，將關係編碼為邊，支持層次推理和自適應概括。Graph-PReFLexOR 在推理過程中引入明確的圖構建，以增強可解釋性，並使用遞歸反思來迭代精煉推理。將符號推理與神經架構相結合，允許跨學科應用，例如將神話概念與材料科學聯繫起來，或在不同領域之間發現模式。這種範式增強了推理的深度和適應性，超越了現有 AI 框架的能力。
Graph-PReFLexOR 將基於圖的推理與變壓器架構的流暢性結合，使用圖同構網絡 (GINs) 來識別不同領域之間的結構等價性。推理過程涉及構建動態知識圖，其中節點表示核心概念，邊編碼關係，如 IS-A 或 RELATES-TO。這些圖保留了關係結構，使得檢測普遍特徵（如重複子圖和代數模式）變得更容易。該框架通過將圖推理嵌入變壓器，平衡了語言流暢性與結構化推理。作者使用一個包含 1,000 篇生物啟發材料科學研究論文的數據庫，通過檢索增強生成和遞歸推理機制訓練該系統。該模型獨立生成和改進知識圖，促進了在困難推理任務中的適應性和一致性。
Graph-PReFLexOR 在各種任務上展示了出色的推理能力，有效地結合了結構化圖推理和符號抽象，適用於跨學科的用途。該系統展示了在不同領域之間進行概括的能力，有效地將音樂與材料特性聯繫起來，識別同構模式，並動態生成知識圖以進行假設生成。與傳統方法相比，它在推理深度、適應性和準確性方面都有顯著改善。該框架還橋接了看似無關的領域，如神話和材料科學，發現創新的聯繫，並提供對仿生材料設計的見解。其動態增長和精煉知識圖的能力突顯了它作為推進跨學科研究和發現的多功能工具的潛力。
Graph-PReFLexOR 代表了 AI 推理的一次重大進展，解決了實現結構化、可解釋和跨學科推理的關鍵挑戰。通過將基於圖的推理與符號抽象結合，它在不同領域之間實現了令人印象深刻的適應性和概括性。其應用範圍從材料科學到創造性推理和假設生成，這種方法為 AI 驅動的發現開辟了新的途徑。未來的工作可以探索將這個系統擴展到更大數據集和即時應用，進一步釋放其在推動科學和跨學科領域創新方面的潛力。
查看論文。所有的研究功勞都歸於這個項目的研究人員。此外，別忘了在 Twitter 上關注我們，加入我們的 Telegram 頻道和 LinkedIn 群組。還有，別忘了加入我們的 65k+ 人工智慧子 Reddit。
🚨 [推薦閱讀] Nebius AI Studio 擴展了視覺模型、新的語言模型、嵌入和 LoRA (推廣)
本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！
