Science4Cast : L’outil qui prédit l’avenir de la recherche en IA

Dans le domaine en constante évolution de l’intelligence artificielle (IA) et de l’apprentissage automatique (ML), le nombre de publications scientifiques croît de manière exponentielle, doublant approximativement tous les 23 mois. Pour les chercheurs, il est presque impossible de suivre le rythme et de maintenir une vue d’ensemble complète.

C’est dans ce contexte que le groupe de recherche dirigé par Mario Krenn, de l’Institut Max-Planck pour la Science de la Lumière, a développé un nouvel outil basé sur les graphes, ‘Science4Cast’.

Science4Cast : un outil prédictif pour la recherche en IA

Science4Cast est une représentation basée sur les graphes de la connaissance qui devient de plus en plus complexe au fur et à mesure que de nouveaux articles scientifiques sont publiés. Chaque nœud du graphe représente un concept en IA, et les connexions entre les nœuds indiquent si et quand deux concepts ont été étudiés ensemble. Par exemple, la question « Que va-t-il se passer ? » peut être décrite comme une question mathématique sur l’évolution future du graphe.

Science4Cast est alimenté par des données réelles provenant de plus de 100 000 publications scientifiques couvrant une période de 30 ans, ce qui a abouti à un total de 64 000 nœuds. Cependant, prédire sur quoi les chercheurs travailleront à l’avenir n’est qu’une première étape.

Vers une source d’inspiration pour les scientifiques

Dans leur travail, les chercheurs décrivent comment le développement ultérieur de Science4Cast pourrait bientôt fournir des suggestions personnalisées pour les projets de recherche futurs des scientifiques individuels.

«Notre ambition est de développer une méthode qui sert de source d’inspiration pour les scientifiques – presque comme une muse artificielle. Cela pourrait potentiellement accélérer les progrès de la science à l’avenir», explique Mario Krenn.

Le nombre d’articles publiés chaque mois dans les catégories arXiv de l’IA et de la ML augmente de manière exponentielle.

Distribution de la queue lourde dans les degrés des nœuds en raison des hubs.

En synthèse

Il est devenu presque impossible pour les chercheurs humains de suivre le rythme de l’abondance écrasante de publications scientifiques dans le domaine de l’intelligence artificielle et de rester à jour avec les avancées. Une équipe internationale de scientifiques dirigée par Mario Krenn de l’Institut Max-Planck pour la Science de la Lumière a développé un algorithme d’IA qui non seulement aide les chercheurs à s’orienter systématiquement, mais les guide également de manière prédictive dans la direction dans laquelle leur propre domaine de recherche est susceptible d’évoluer.

Ce travail a été publié dans la revue Nature Machine Intelligence.

Pour une meilleure compréhension

Qu’est-ce que Science4Cast ?

Science4Cast est un outil basé sur les graphes qui représente la connaissance en intelligence artificielle. Chaque nœud du graphe représente un concept en IA, et les connexions entre les nœuds indiquent si et quand deux concepts ont été étudiés ensemble.

Comment Science4Cast est-il alimenté ?

Science4Cast est alimenté par des données réelles provenant de plus de 100 000 publications scientifiques couvrant une période de 30 ans, ce qui a abouti à un total de 64 000 nœuds.

Quel est l’objectif de Science4Cast ?

L’objectif de Science4Cast est de prédire sur quoi les chercheurs travailleront à l’avenir. C’est une première étape vers la fourniture de suggestions personnalisées pour les projets de recherche futurs des scientifiques individuels.

Qui a développé Science4Cast ?

Science4Cast a été développé par une équipe internationale de scientifiques dirigée par Mario Krenn de l’Institut Max-Planck pour la Science de la Lumière.

Légende illustration principale : intelligence artificielle contemple l’avenir de la science (généré par OpenAI’s DALL-E3).

Publication originale dans Nature Machine Intelligence : Krenn, M., Buffoni, L., Coutinho, B. et al. « Forecasting the future of artificial intelligence with machine learning-based link prediction in an exponentially growing knowledge network » / DOI: 10.1038/s42256-023-00735-0 | www.nature.com/articles/s42256-023-00735-0