DELPHI 是一種人工智能框架，可以通過學習從以前的科學出版物中收集到的模式，為未來的關鍵技術發(fā)出“早期警報”信號。麻省理工學院研究人員構建的人工智能框架可以通過學習從以前的科學出版物中收集到的模式，為未來的高影響技術提供“早期警報”信號。

在對其能力的回顧性測試中， DELPHI(Dynamic Early-warning by Learning to Predict High Impact 的縮寫)能夠在專家的關鍵基礎生物技術列表中識別出所有開創(chuàng)性論文，有時甚至早在發(fā)表后的第一年.

麻省理工學院媒體實驗室的研究附屬機構 James W. Weis 和媒體藝術與科學教授兼媒體實驗室分子機器研究小組的負責人 Joseph Jacobson 也使用 DELPHI 突出了他們預測的 50 篇最近的科學論文到 2023 年產生重大影響。論文涵蓋的主題包括用于癌癥治療的 DNA 納米機器人、高能量密度鋰氧電池和使用深度神經網絡的化學合成等。

研究人員將 DELPHI 視為一種工具，可以幫助人類更好地利用科學研究資金，識別可能會枯竭的“粗糙的鉆石”技術，并為政府、慈善機構和風險投資公司提供一種更有效、更有成效地支持科學的方法.

“本質上，我們的算法通過從科學史中學習模式來運行，然后在新出版物上進行模式匹配，以找到具有高影響力的早期信號，”Weis 說。“通過跟蹤想法的早期傳播，我們可以預測它們以有意義的方式傳播或傳播到更廣泛的學術界的可能性有多大。”

該論文已 發(fā)表 在《 自然生物技術》上。

尋找“粗糙的鉆石”

Weis 和 Jacobson 開發(fā)的機器學習算法利用了自 1980 年代以來隨著科學出版物呈指數(shù)增長而現(xiàn)在可用的大量數(shù)字信息。但是，DELPHI 不是使用一維指標(例如引用次數(shù))來判斷出版物的影響，而是在期刊文章元數(shù)據(jù)的完整時間序列網絡上進行培訓，以揭示其在整個科學生態(tài)系統(tǒng)中傳播的更高維模式。

結果是一個知識圖，其中包含代表論文、作者、機構和其他類型數(shù)據(jù)的節(jié)點之間的連接。這些節(jié)點之間復雜連接的強度和類型決定了它們在框架中使用的屬性。“這些節(jié)點和邊定義了一個基于時間的圖形，DELPHI 使用它來學習預測未來高影響的模式，”Weis 解釋道。

這些網絡特征一起用于預測科學影響，在發(fā)表五年后落在時間尺度節(jié)點中心性前 5% 的論文被認為是 DELPHI 旨在識別的“具有高度影響力”的目標集。這些排名前 5% 的論文占圖表總影響的 35%。作者說，DELPHI 還可以使用時間尺度節(jié)點中心性的前 1%、10% 和 15% 的截止值。

DELPHI 認為，極具影響力的論文幾乎在其學科和較小的科學社區(qū)之外傳播開來。兩篇論文的引用次數(shù)可以相同，但具有高度影響力的論文會覆蓋更廣泛、更深入的受眾。另一方面，低影響力的論文“并沒有真正被越來越多的人利用和利用，”韋斯說。

他補充說，該框架可能有助于“激勵團隊合作，即使他們還不認識彼此——也許可以通過將資金引導給他們共同解決重要的多學科問題”。

與單獨的引文數(shù)量相比，DELPHI 識別出具有高度影響力的論文數(shù)量的兩倍多，其中包括 60% 的“隱藏的寶石”，或者會被引文閾值遺漏的論文。

雅各布森說：“推進基礎研究是關于多次射門，然后能夠迅速將這些想法中最好的想法加倍。” “這項研究是為了看看我們是否可以通過將整個科學界作為一個整體，嵌入到學術圖表中，以及在確定具有高影響力的研究方向時更具包容性，以更大規(guī)模的方式進行這一過程。”

研究人員驚訝地發(fā)現(xiàn)，在某些情況下，一篇極具影響力的論文的“警報信號”在使用 DELPHI 時出現(xiàn)的時間有多早。“在出版后的一年內，我們已經發(fā)現(xiàn)了將對以后產生重大影響的隱藏寶石，”Weis 說。

然而，他警告說，DELPHI 并不能準確預測未來。“我們正在使用機器學習來提取和量化隱藏在已經存在的數(shù)據(jù)的維度和動態(tài)中的信號。”

公平、高效、有效的融資

研究人員表示，希望 DELPHI 將提供一種更少偏見的方式來評估論文的影響力，因為正如過去的研究表明的那樣，可以操縱引用和期刊影響因子數(shù)量等其他指標。

“我們希望我們可以利用它來找到最有價值的研究和研究人員，無論他們隸屬于什么機構或他們之間的聯(lián)系如何，”Weis 說。

然而，與所有機器學習框架一樣，設計師和用戶應該警惕偏見，他補充道。“我們需要不斷意識到我們的數(shù)據(jù)和模型中的潛在偏差。我們希望 DELPHI 以更少偏見的方式幫助找到最佳研究——因此我們需要小心，我們的模型不會學習僅根據(jù)次優(yōu)指標(如 h指數(shù)、作者引用計數(shù)或機構隸屬關系。”

DELPHI 可以成為幫助科學資助變得更加高效和有效的強大工具，并且可能用于創(chuàng)建與科學投資相關的新型金融產品。

“科學資助的新興元科學表明需要對科學投資采取組合方法，”實驗基金會執(zhí)行董事大衛(wèi)朗指出。“Weis 和 Jacobson 對這種理解做出了重大貢獻，更重要的是，它與 DELPHI 一起實施。”

這是 Weis 在為生物技術初創(chuàng)公司推出風險投資基金和實驗室孵化設施的經歷之后，思考了很多的事情。

他說：“我越來越意識到，包括我自己在內的投資者，我們一直在尋找相同地點和相同先入之見的新公司。” “我開始瞥見了大量才華橫溢的人才和驚人的技術，但這往往被忽視。我認為必須有一種方法可以在這個領域工作——機器學習可以幫助我們發(fā)現(xiàn)并更有效地實現(xiàn)所有這些未開發(fā)的潛力。”

標簽：