TCA-SIR：学习面向目标问题的科学灵感抽象表示

科学人工智能的科学假设生成通常涉及科学灵感检索 (SIR)，然后是假设构成。现有的 SIR 方法根据主题相似性对论文进行排名，并且没有明确表示候选灵感如何转移到目标问题。这对于远程灵感来说尤其有限，其价值通常在于可重复使用的问题解决原则，而不是主题重叠。受人类如何抽象源的可转移方面并将其重新映射到新目标的启发，我们将 SIR 重新表述为目标条件抽象（TCA）。检索对象是从候选对象中专门针对目标提取的可转移的抽象原理。我们提出了 TCA-SIR，它学习生成目标条件抽象并使用它们的表示来预测可转移性。在 ResearchBench 上，TCA-SIR 优于之前的 SIR 方法和直接 LLM 检索，与 MOOSE-Chem 相比，HitRate@top4% 提高了 10 个百分点以上。与未经训练的 TCA 提示相比，学习的抽象还可以更清晰地恢复目标相关机制，从而为科学灵感提供更强的检索和可解释的基本原理。