Forschende untersuchten, wie Muster menschlicher Forschung in KI-Modelle integriert werden kann, um zukünftige wissenschaftliche Entdeckungen besser vorhersagen zu können.
KI-Modelle, die auf der Grundlage veröffentlichter wissenschaftlicher Erkenntnisse trainiert werden, werden bereits eingesetzt, um neue Materialien oder zielgerichtete Therapien zu finden. In einer neuen Arbeit geht ein Team Forschende der University of Chicago und des Santa Fe Institute einen Schritt weiter und integriert die Distribution menschlicher Expertise in KI-Modelle, um Wissenschaft zu beschleunigen.
Diese "human-aware" KI-Modelle simulieren, wie menschliche Experten auf der Grundlage ihrer Wissens- und Kooperationsnetzwerke Schlussfolgerungen ziehen. Dadurch können die Modelle Entdeckungen vorhersagen, die direkt auf bestehenden Erkenntnissen aufbauen. Die Modelle können aber auch absichtlich die Menge der menschlichen Wissenschaftler umgehen, um wertvolle "fremde" Hypothesen zu entwickeln, die ohne Eingreifen wahrscheinlich nicht entdeckt würden.
"Human-aware" KI sagt Entdeckungen voraus
Die Forschenden zeigen, dass ihr menschenbasierte KI-Modelle im Extremfall Methoden, die nur wissenschaftliche Inhalte analysieren, um bis zu 400 Prozent übertreffen. Bei materialwissenschaftlichen Problemen verdoppelte ihr Ansatz etwa die Vorhersagegenauigkeit im Vergleich zu älteren Ansätzen. Bei der Suche nach neuen Anwendungsgebieten für Medikamente verbesserte sich die Genauigkeit um mehr als 40 Prozent. Die KI-Modelle seien erfolgreich, weil sie die kollektiven Aufmerksamkeitsmuster der menschlichen Wissenschaftler:innen nutzten, so das Team.
Für das Training konstruierte das Team "Forschungshypergraphen" aus den Metadaten von Veröffentlichungen, die Verbindungen zwischen Materialien, Eigenschaften und beteiligten Autor:innen, die sie untersuchten. Mit diesen Hypergraphen simulierten sie die Schlussfolgerungen, zu denen menschliche Experten:innen aufgrund ihres Wissens und ihrer Zusammenarbeit gelangen.
Die Verteilung der Experten:innen rund um die Forschungsthemen lieferte ein starkes Signal für die Wahrscheinlichkeit zukünftiger Entdeckungen in diesem Bereich. Solche Entdeckungen kommen nach Ansicht des Teams durch das Herstellen neuer Verbindungen zustande, also wenn Forscher:innen Verbindungen zwischen ansonsten unverbundenen Konzepten entdecken.
KI kann "plausible Hypothesen" aufstellen - Jahre bevor Menschen daran denken
Genau hier setzt der zweite Ansatz des Teams an: Ihre KI-Modelle können auch über die Entdeckungen hinausblicken, die menschlichen Expert:innen zunächst zugänglich sind. Indem sie überfüllte Forschungsgebiete bewusst meiden, könnten die Modelle plausible Hypothesen aufstellen, die eine Brücke zu weiter entfernten Forschungsfeldern schlagen - und so neue Konzepte und Entdeckungen ermöglichen.
"Diese Ergebnisse bestätigen den Einfluss der menschlichen Erfahrung und der sozialen Bindung, den unser Forschungshypergraph auf den wissenschaftlichen Fortschritt ausübt. Dies deutet darauf hin, dass die Forschung, die dem materiellen und medizinischen Fortschritt zugrunde liegt, von der lokalen Ausbeutung des Bekannten gegenüber der Erforschung des Unbekannten dominiert wird", so das Team. "Indem wir unseren Algorithmus so einstellen, dass er die Masse vermeidet, generieren wir vielversprechende Hypothesen, die ohne maschinelle Empfehlungen wahrscheinlich erst Jahre später erdacht, verfolgt oder veröffentlicht würden. Durch die Identifizierung und Korrektur kollektiver menschlicher Aufmerksamkeitsmuster, die durch disziplinäre Grenzen und institutionalisierte Ausbildung geprägt sind, ergänzen diese Modelle die heutige wissenschaftliche Gemeinschaft."
Die "human-aware" KI biete uns damit das Potenzial, uns den derzeitigen wissenschaftlichen Grenzen zu nähern und sie zu überwinden.
