Résumé

Les progrès récents réalisés dans les modèles de langage à très grande échelle (LLM) ont fait de la recherche scientifique automatisée la prochaine étape essentielle sur la voie menant à l’intelligence artificielle superintelligente. Toutefois, ces systèmes sont généralement limités à des tâches à portée étroite ou aux capacités créatives restreintes des LLM. Nous proposons Spacer, un système de découverte scientifique capable de générer des concepts à la fois créatifs et fondés sur des faits, sans intervention externe. Spacer atteint cet objectif grâce à une méthode que nous appelons « décontextualisation délibérée », qui consiste à décomposer l’information en unités atomiques – des mots-clés – et à tirer sa créativité des connexions inexplorées entre ces éléments. Spacer se compose de deux composants principaux : (i) Nuri, un moteur d’inspiration qui construit des ensembles de mots-clés, et (ii) le pipeline de matérialisation, qui affine ces ensembles en énoncés scientifiques complexes. Nuri extrait des ensembles de mots-clés nouveaux et à fort potentiel à partir d’un graphe de mots-clés construit à partir de 180 000 publications académiques dans les domaines biologiques. Le pipeline de matérialisation établit des liens entre les mots-clés, analyse leur structure logique, valide leur plausibilité, et aboutit finalement à la rédaction de concepts scientifiques originaux. Selon nos expériences, le métrique d’évaluation de Nuri classe avec précision les publications à fort impact, avec un score AUROC de 0,737. De plus, notre pipeline de matérialisation parvient à reconstruire avec succès des concepts fondamentaux à partir des articles les plus récents publiés dans les revues scientifiques de haut niveau, uniquement à partir de leurs ensembles de mots-clés. Un système de notation basé sur un LLM estime que cette reconstruction est fondée dans plus de 85 % des cas. Enfin, notre analyse de l’espace d’encodage montre que les sorties produites par Spacer sont significativement plus proches des publications de pointe que celles générées par les meilleurs modèles LLM actuels.