知识图驱动的神经科学专家级推理

知识图谱（KG）是一种可以从文本语料库中提取并用于深度推理的抽象。之前的工作利用 KG 来微调语言模型 (LM)，从而实现特定领域的超级智能。在这项工作中，我们探索仅使用一本权威教科书中包含的信息是否可以在神经科学中出现知识图谱驱动的深度推理能力。中心假设是，当结构化知识被提炼成高质量的 KG 并转换为基于 KG 的问答 (QA) 监督时，足以通过微调的 LM 产生专家级推理，其精度超过 大语言模型 (LLM)，同时使用数量级较少的参数。我们通过双 LLM 验证管道构建了一个源自教科书的 KG，使用在 KG 拓扑上训练的掩码 LM 对其进行扩展，生成多跳 QA 项（包括 QA 对和推理轨迹），以仅在 KG 派生的监督上微调 LM，并使用路径派生的 KG 信号作为隐式奖励模型应用强化学习。我们的结果表明，可以在模型中诱导深入的、机械的神经科学理解，而无需依赖大型、异构的网络规模语料库。读者可以自行测验的基于 KG 的合成神经科学课程以及经过微调的 LM 可以在以下 GitHub 位置获取：https://kg-bottom-up-superintelligence.github.io/neuro-bench。