Künstliche Intelligenz zur Weiterentwicklung von Forschungsgebieten

Die riesige und wachsende Zahl von Veröffentlichungen in allen wissenschaftlichen Disziplinen kann von einem einzelnen Forscher nicht mehr überblickt werden. Infolgedessen müssen sich Forscher auf enge Teildisziplinen spezialisieren, was es schwierig macht, wissenschaftliche Verbindungen über das eigene Forschungsgebiet hinaus aufzudecken. Daher könnte der Zugang zu strukturiertem Wissen aus einem großen Korpus von Veröffentlichungen dazu beitragen, die Grenzen der Wissenschaft zu erweitern. Krenn & Zeilinger (2020) haben eine Methode zum Aufbau eines semantischen Netzwerks aus der veröffentlichten wissenschaftlichen Literatur entwickelt: SemNet. Sie verwenden SemNet, um künftige Forschungstrends vorherzusagen und um neue, personalisierte und überraschende Ideen in der Wissenschaft zu inspirieren. Sie wenden es derzeit in der Quantenphysik an, die in den letzten Jahren ein beispielloses Wachstum an Aktivitäten erlebt hat. In SemNet wird wissenschaftliches Wissen als ein sich entwickelndes Netzwerk dargestellt, das auf dem Inhalt von 750000 wissenschaftlichen Artikeln basiert, die seit 1919 veröffentlicht wurden. Die Knoten des Netzwerks entsprechen physikalischen Konzepten, und Verbindungen zwischen zwei Knoten werden gezogen, wenn zwei physikalische Konzepte in Forschungsartikeln gleichzeitig untersucht werden. Sie identifizierten dadurch einflussreiche und preisgekrönte Forschungsthemen aus der Vergangenheit und bestätigen damit, dass diese Methode nützliches semantisches Wissen speichert. Die Autoren trainieren ein tiefes neuronales Netz mit den SemNet-Zuständen der Vergangenheit, um künftige Entwicklungen in der Quantenphysikforschung vorherzusagen, und bestätigen die hohe Qualität der Vorhersagen anhand historischer Daten. Mit Hilfe des neuronalen Netzes und der theoretischen Netzwerktools sind sie in der Lage, neue, personalisierte, unkonventionelle Ideen vorzuschlagen, indem sie Begriffspaare identifizieren, die einzigartige und extreme semantische Netzeigenschaften aufweisen. Daher kann das System Vorschläge für neue, unerwartete Themengebiete machen. Übrigens: Derzeit sind nur etwa fünf Prozent der verschiedenen Konzepte der Quantenphysik im Netzwerk verknüpft. Das System ist dabei grundsätzlich für jedes Forschungsgebiet anwendbar.

Literatur

Krenn, Mario & Zeilinger, Anton (2020). Predicting research trends with semantic and neural networks with an application in quantum physics. Proceedings of the National Academy of Sciences. 117, doi:10.1073/pnas.1914370116.