PEARL：科学推理图抽取的可审计修复

科学推理图抽取（SRGE）旨在恢复观测、证据、中间论断与论文级结论之间的显式链接。LLM能产出图状科学解释，但其输出常混杂畸形语法、漂移的边标签、错向的根节点与薄弱的来源锚定。我们提出PEARL（经抽象与修复层的皮尔士式抽取），一个免训练框架：把嘈杂的LLM图响应转为可审计的推理图，并修复至严格语义有效。PEARL先在封闭的皮尔士模式下物化显式图内容，再用匹配的证据落地裁判反馈修复被拒的边类型、局部推理步骤与末端根节点，同时保留审计轨迹。在ARCHE（潜在推理链抽取基准）的五个70篇论文模型档案上，PEARL把严格门通过数从LLM基线的0/350提升到300/350，平均REA从0.339提升到0.906。这些图为需要可检查推理轨迹而非不受约束图再生的研究智能体与AI科学家工作流提供可靠性层。代码与审计工件见https://github.com/BohanSu/auditable-repair-reasoning-graphs/tree/300-350_workshop。