MUSE: A Full-Text Cross-Domain Knowledge Base of Scientific Problems, Solutions, and Rationales
本文介绍了 MUSE，这是一个包含 37,000 个源自科学文献的专家策展型“问题-解法-原理”三元组的全文本、跨领域知识库，它证明了通过原理监督训练大语言模型可以增强其在复杂多约束问题上的表现，但同时也可能对其在简单问题上的表现产生负面影响。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，科学的世界就像一座巨大且无尽的图书馆，每一本书都是一篇研究论文。长期以来，试图阅读这些书籍的计算机就像是那些只看目录或第一页的学生。它们可以告诉你书名或主角，但往往会错过那些关于“如何”解决问题的混乱、精彩且具体的细节。科学家们并不只是陈述一个问题和一个解决方案；他们会写下长篇且曲折的故事，解释为什么他们选择了那个特定的解决方案而非其他方案。这就是“是什么”背后的“为什么”。如果我们希望计算机能够真正理解科学——像一个聪明的学徒而非一个基础的图书管理员——我们需要教会它们去阅读这些隐藏的推理故事。这正是名为 MUSE 的新项目所要做的：旨在将这些隐藏的故事转化为一张任何人或任何计算机都可以遵循的结构化地图。
该论文介绍了 MUSE（挖掘潜在科学解释，Mining Underlying Scientific Explanations），这是一个巨大的全新数字宝库，里面装满了 36,960 个精心提取的“问题–解决方案–原理（Problem–Solution–Rationale）”三元组。你可以把它想象成一本食谱，但它不仅仅列出了食材（解决方案）和最终成品（结果），MUSE 还捕捉到了厨师的秘密笔记：他们试图解决的具体问题（比如“酱汁太稀了”）、他们应用的精确补救措施（加入增稠剂），以及厨师之所以选择这种特定增稠剂的原因（因为不会改变风味）。研究人员通过首先对来自科学论文的 579 个段落进行人工标注，从而创建了一个“金标准”指南。然后，他们训练了一组 AI 工具来充当高科技采矿队，扫描跨越多个不同领域的数百万篇全文论文，以寻找这些特定的三部分故事。
团队发现，虽然单个全能的 AI 模型试图阅读整个段落并同时猜测问题、解决方案和原因，但它经常会感到困惑，将“为什么”与“如何”混淆。因此，他们构建了一个模块化的流水线：一个分步进行的装配线，其中一个工具寻找问题，另一个寻找解决方案，而第三个则解释其中的联系。这种方法效果显著更好，成功地将原始文本转化为一个整洁、有序的数据库。当他们通过教导一个大型语言模型（一种 AI）利用这些“原理”作为引导来解决科学问题，以此来测试这个新知识库时，他们有了有趣的发现。该 AI 在解决具有许多复杂约束条件的复杂问题时表现得明显更好，这表明理解“为什么”有助于在路径模糊不清时提供帮助。然而，对于简单问题，加入额外的“为什么”信息实际上让 AI 的表现略微下降，仿佛它在过度思考一个并不需要如此思考的任务。这表明，虽然 MUSE 是一个帮助计算机学习专家推理的强大新工具，但它并不是一个能解决一切问题的魔杖；它在科学谜题真正困难时才最能发挥作用。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。