Lorsqu'on utilise l'IA pour assister la recherche scientifique, on peut souvent rencontrer de grands modèles qui semblent dire des bêtises, notamment dans des domaines professionnels complexes tels que la biologie, la chimie ou les matériaux. J'ai récemment découvert le projet open-source SciToolAgent, qui tente d'utiliser des « graphes de connaissances » pour résoudre le problème de l'appel d'outils scientifiques. Cela revient à doter l'IA d'une « boîte à outils scientifique » professionnelle, permettant au modèle de penser et d'agir comme un scientifique. Il intègre plus de 500 outils scientifiques, couvrant des API, des modèles d'apprentissage automatique et diverses fonctions Python. L'essence de cette approche réside dans la construction d'un graphe de connaissances des outils scientifiques (SciToolKG) pour gérer précisément les dépendances et la compatibilité entre les outils. GitHub : https://t.co/79oX9rTXwj Dans le même temps, en adoptant un cadre de « planification-exécution-résumé », il peut décomposer automatiquement les tâches complexes de recherche scientifique en étapes spécifiques et les exécuter. Il est doté d'un mécanisme de contrôle de sécurité intégré qui nous aide à surveiller les risques expérimentaux potentiels et à garantir la fiabilité des résultats. Développé en Python, cet environnement peut être rapidement configuré via Conda et prend en charge l'ajout d'outils privés personnalisés. Les recherches pertinentes ont été publiées dans Nature Computational Science et peuvent servir de référence aux chercheurs ou aux acteurs des domaines verticaux.
