في عصر الذكاء الاصطناعي، تلعب الرسوم البيانية المعرفية دورًا حيويًا في توجيه النماذج اللغوية نحو توليد فرضيات دقيقة ومستندة إلى بيانات علمية موثوقة. لكن ما الذي نعرفه حقًا حول كيفية تأثير هذه الرسوم على النتائج التي نحصل عليها؟ في دراسة جديدة، تم تحليل كيفية تأثير الرسوم البيانية المعرفية على توليد الفرضيات المتعلقة بمواد البطاريات باستخدام نماذج مثل مistral-7B وLlama-3.1-70B وGemini 2.5 Flash.

استندت الدراسة إلى تجارب مختلفة تم من خلالها تعديل الرسوم البيانية المحلية من حيث الكثافة، وغنى الأنطولوجيا، والت topology، وهيكل التحكم. وقد أظهر الباحثون أن تأثير الرسوم البيانية المعرفية على مخرجات النماذج يعتمد على خصائص النموذج نفسه. في بعض الحالات، كانت النماذج قادرة على استرداد محتويات هامة حتى عند استخدام المعلومات المستندة إلى تجارب بدون رسوم بيانية.

من خلال التركيز على الرسوم البيانية المضغوطة (Compressed Subgraphs)، توصل الباحثون إلى نتائج تدعم فرضية الرسوم البيانية المضغوطة المعرفة: حيث يمكن استرداد معلومات مفيدة من الرسوم البيانية المضغوطة التي تحمل هيكلًا علميًا، بدلاً من الحاجة إلى استخدام الرسم البياني المحلي بالكامل.

هذه النتائج تعكس أهمية الرسوم البيانية المعرفية في تسريع وتيرة الأبحاث العلمية وكيف يمكن أن تساهم في توجيه الذكاء الاصطناعي نحو فهم أعمق وأدق للتحديات العلمية.