用圖原生強化學習，讓 AI 生成可追溯的科學假說

加速材料探索，需要 AI 能生成科學上站得住腳的假說，而不是憑空亂猜。一篇新研究提出一套以圖為原生結構的強化學習方法，讓模型透過多步、有領域知識支撐的推理，一步步推導出可用的科學假說，並且整個推理過程可以被追溯回去。

標準的大型語言模型在做科學推理時，常見的毛病是給出聽起來合理、卻無法驗證來源的結論。研究團隊把知識組織成圖結構，節點與連結對應真實的科學實體與關係，讓模型在這張圖上做強化學習式的探索。這樣一來，模型的每一步推論都踩在明確的知識節點上，最後產出的假說不但更有科學根據，也能攤開來檢視它是怎麼一步步得到的。

可追溯這一點特別重要。科學研究講究可重現與可檢驗，一個沒法交代推理依據的假說，就算方向對也難被同行採信。把推理綁在圖結構上，等於替 AI 的每個結論留下軌跡，研究者可以順著軌跡去核對、去反駁。對材料、化學這類需要大量假說篩選的領域，這種能生成又能被檢查的工具，比只會給答案的黑箱實用得多。