Un nuovo approccio per la generazione di idee scientifiche basato su modelli linguistici di grandi dimensioni (LLM) è stato presentato in un recente articolo di ricerca.

GYWI: Un sistema ibrido per l'ispirazione scientifica

Il sistema, denominato GYWI, integra grafi di conoscenza degli autori con tecniche di generazione aumentata dal recupero (RAG) per fornire un contesto accademico più ricco e percorsi di ispirazione più chiari. L'obiettivo è superare i limiti degli LLM tradizionali, che spesso producono risultati privi di un solido fondamento accademico.

GYWI utilizza un metodo di costruzione di grafi di conoscenza incentrato sull'autore e algoritmi di campionamento della fonte di ispirazione per creare una base di conoscenza esterna. Un meccanismo di recupero ibrido, che combina RAG e GraphRAG, viene impiegato per recuperare contenuti con conoscenza sia approfondita che ampia. Infine, una strategia di ottimizzazione del prompt, che incorpora principi di apprendimento per rinforzo, guida automaticamente gli LLM nell'ottimizzazione dei risultati.

Valutazione e risultati

Il sistema è stato valutato utilizzando un dataset creato a partire da articoli di arXiv (2018-2023). Le idee generate sono state valutate in base a novità, fattibilità, chiarezza, rilevanza e significatività. Gli esperimenti sono stati condotti su diversi LLM, tra cui GPT-4o, DeepSeek-V3, Qwen3-8B e Gemini 2.5. I risultati sperimentali mostrano che GYWI supera significativamente gli LLM tradizionali in diverse metriche, tra cui novità, affidabilità e rilevanza.

Per chi valuta deployment on-premise, esistono trade-off da considerare. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi aspetti.