🚀 تحول بزرگ در مدل‌های علمی هوش مصنوعی
مرور ۹۴ صفحه‌ای درباره تکامل LLMهای علمی با داده‌های غنی و چرخه‌های بسته‌ی عامل‌های خودمختار منتشر شد.

در این تحقیق بی‌سابقه:
📚 ۲۷۰ دیتاست و 🧪 ۱۹۰ بنچمارک بررسی شده‌اند.

❓ چرا LLMهای معمولی برای علم کافی نیستند؟
زیرا داده‌های علمی فقط متن نیستند؛ ترکیبی از:
📊 جداول، 🧮 فرمول‌ها، 💻 کد، 🖼 تصاویر و 🔬 اندازه‌گیری‌های نامطمئن هستند.
مدل‌های عمومی معمولا این ظرافت‌ها را از دست می‌دهند.

📌 این مرور چه پیشنهاد می‌دهد؟

🔷 ایجاد طبقه‌بندی یکپارچه برای داده‌های علمی
🔷 تعریف مدل چندلایه‌ی دانش علمی:
از مشاهده خام → تا فرضیه → مدل → نظریه

این چارچوب کمک می‌کند مدل‌ها طوری پیش‌تمرین و سپس فاین‌تیون شوند که:
📌 قواعد علمی را حفظ کنند
📌 بتوانند میان قالب‌ها و مقیاس‌های مختلف ارتباط برقرار کنند

🧠 مدل‌ها بر اساس حوزه دسته‌بندی شده‌اند:
فیزیک ▫ شیمی ▫ زیست ▫ مواد ▫ علوم زمین ▫ نجوم

دستیاران علمی چندحوزه‌ای


📈 تحول در ارزیابی کیفیت:
از سوالات یک‌مرحله‌ای به تست‌های فرآیندمحور شامل:
🔹 زنجیره استدلال
🔹 استفاده از ابزار و کد
🔹 نتایج میان‌مرحله‌ای و شواهد تجربی

🔁 جهت آینده: چرخه‌ی بسته‌ی علمی
عامل‌ها (agents) به‌طور خودمختار:

1. آزمایش طراحی می‌کنند


2. شبیه‌سازها یا آزمایشگاه‌ها را اجرا می‌کنند


3. نتایج را تحلیل می‌کنند


4. دانش را به‌روزرسانی می‌کنند



🎯 جمع‌بندی:
مدل LLMهای علمی به‌سمت علم داده‌محور، قابل‌اثبات و عامل‌محور حرکت می‌کنند؛ مدلی که به جای حدس، به شواهد تکیه می‌کند.

🔗 لینک مقاله:
https://arxiv.org/abs/2508.21148

@rss_ai_ir
#هوش_مصنوعی #علم #علمی #LLM #Agent #پژوهش #یادگیری_ماشین #SciAI