arXiv cs.AI· Haiqian Yang, Markus J. Buehler·· 12 小时前AI 评分42
Prospector：为科学推理学习紧凑图遍历策略
Prospector: learning a compact graph traversal policy for scientific reasoning
AI 导读
Prospector 是一个在领域知识图谱上逐步遍历、按已有发现寻找证据的紧凑模型，通过逐个调用少量工具渐进构建上下文，并给出可逐边核验的证据链。在半导体制造文献构建的知识图谱上，其表现接近同等图谱与工具条件下的最强现成模型，并远超闭卷或从预选子图作答的模型。该策略可迁移到生物启发材料、PFAS 和材料性质三个未见领域，单 GPU 部署时比托管服务更快、成本更低。
正文 · AI 翻译
摘要：专业工程领域的科学推理依赖于散落在文献中的知识，这些知识往往属于专有信息，且不在前沿 LLM 的训练数据中。在这类领域，前沿模型往往给出泛泛的答案。知识图谱（KG）可以为 LLM 的推理提供依据。由于图谱规模过大，无法完整提供，典型的 LLM+KG 系统会预先选取一部分，在推理开始前就决定相关性。在此，我们训练了一个紧凑模型 Prospector，通过逐步遍历领域知识图谱来进行推理，并依据已发现的线索寻找证据。Prospector 一次调用一小组工具中的一个，逐步构建其上下文，并以证据链作答，该证据链可逐条边对照其工具从图谱中检索到的内容进行核查。在基于半导体制造文献构建的知识图谱上，Prospector 在给定相同图谱和工具的情况下接近最强的现成模型，并且远超以闭卷方式或从图谱预选部分作答的现成模型。尽管仅在半导体图谱上训练，Prospector 可迁移到来自另外三个不同领域的未见知识图谱：仿生材料、全氟和多氟烷基物质（PFAS）以及材料性质。在单块 GPU 上提供服务时，Prospector 的作答速度更快，成本仅为托管服务的一小部分，同时将专有数据保留在所有者硬件上。我们发现，该策略的潜在状态在已见和未见图谱上都能指示其下一步动作，并且调节潜在状态可以将策略从一种行为模式引导到另一种。这些结果表明了一种实用的 LLM + KG 范式，用于对私有数据进行科学与工程推理，其中在已发表文献图谱上训练的紧凑模型将其遍历能力迁移到留在所有者手中的未见图谱。
| 学科： | 人工智能（cs.AI）；材料科学（cond-mat.mtrl-sci）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.37121 [cs.AI] |
| （或本版本的 arXiv:2610.37121v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.37121 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Markus Buehler [查看电子邮件]
[v1]
2026年10月27日星期二 12:21:37 UTC（1,085 KB）
来源：arXiv cs.AI · arxiv.org