Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks

要約

その場で知識を繰り返し構造化および洗練するエージェントで自律的なグラフ拡張フレームワークを提示します。
静的抽出またはシングルパス学習に依存する従来のナレッジグラフ構造方法とは異なり、私たちのアプローチは、継続的に更新されたグラフ表現を備えた推論ネイティブの大手言語モデルを網羅しています。
各ステップで、システムは新しい概念と関係を積極的に生成し、それらをグローバルグラフにマージし、進化する構造に基づいて後続のプロンプトを策定します。
このフィードバック駆動型ループを通じて、モデルは、ハブ形成、安定したモジュール性、および異なる知識クラスターをリンクするブリッジングノードを特徴とするスケールフリーネットワークに情報を整理します。
何百もの反復で、新しいノードとエッジが飽和することなく現れ続けますが、中心性の測定値と最短経路分布は進化して、ますます分布する接続性を生成します。
私たちの分析では、高度に接続された「ハブ」概念の台頭や「ブリッジ」ノードの変化する影響などの緊急パターンが明らかになり、エージェントの自己強化グラフ構造がオープンエンドのコヒーレントな知識構造をもたらす可能性があることを示しています。
材料の設計上の問題に適用されると、節点と相乗レベルの原則を抽出して真の斬新な知識の統合を促進し、暗記の要約を超越し、オープンエンドの科学的発見のフレームワークの可能性を強化するクロスドメインのアイデアを生み出し、組成の推論実験を提示します。
科学的発見における他のアプリケーションについて説明し、スケ​​ーラビリティと解釈性を高めるための将来の方向性を概説します。

要約(オリジナル)

We present an agentic, autonomous graph expansion framework that iteratively structures and refines knowledge in situ. Unlike conventional knowledge graph construction methods relying on static extraction or single-pass learning, our approach couples a reasoning-native large language model with a continually updated graph representation. At each step, the system actively generates new concepts and relationships, merges them into a global graph, and formulates subsequent prompts based on its evolving structure. Through this feedback-driven loop, the model organizes information into a scale-free network characterized by hub formation, stable modularity, and bridging nodes that link disparate knowledge clusters. Over hundreds of iterations, new nodes and edges continue to appear without saturating, while centrality measures and shortest path distributions evolve to yield increasingly distributed connectivity. Our analysis reveals emergent patterns, such as the rise of highly connected ‘hub’ concepts and the shifting influence of ‘bridge’ nodes, indicating that agentic, self-reinforcing graph construction can yield open-ended, coherent knowledge structures. Applied to materials design problems, we present compositional reasoning experiments by extracting node-specific and synergy-level principles to foster genuinely novel knowledge synthesis, yielding cross-domain ideas that transcend rote summarization and strengthen the framework’s potential for open-ended scientific discovery. We discuss other applications in scientific discovery and outline future directions for enhancing scalability and interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google