面向Agentic科学推理的高阶知识表示

科学探究需要系统级推理，将异构的实验数据、跨领域知识与机理证据整合成连贯的解释。大型语言模型（LLM）虽具备推理能力，但往往依赖缺乏结构深度的检索增强上下文。传统知识图谱（KG）试图弥合这一鸿沟，但其成对约束无法捕捉支配涌现物理行为的不可约高阶交互。为此，我们提出一种构建基于超图的知识表示的方法论，以忠实编码多实体关系。应用于约1,100篇生物复合材料支架论文的语料库，我们的框架构建了一个包含161,172个节点和320,201条超边的全局超图，揭示出围绕高度连接的概念枢纽组织的无标度拓扑（幂律指数约1.23）。这种表示避免了成对扩展典型的组合爆炸，并显式保留了科学配方的共现语境。我们进一步证明，为Agentic系统配备超图遍历工具——特别是使用节点交集约束——能使其连接语义上相距遥远的概念。通过利用这些高阶通路，该系统成功地为新型复合材料生成了有依据的机理假设，例如经由壳聚糖中间体将氧化铈与PCL支架关联起来。这项工作建立了一个“无教师”的Agentic推理系统，其中超图拓扑充当可验证的护栏，通过揭示被传统图方法遮蔽的关系来加速科学发现。