ИИ-инструмент, который генерирует и ранжирует научные гипотезы для материаловедческих проектов
Загрузите данные и KPI → получите ранжированный список проверяемых гипотез с обоснованием, источниками и планом эксперимента
Субъективный отбор: какие идеи эксперт помнит, те и попадают в план
Десятки отчётов и статей не переиспользуются — знания теряются
Нет ответа: что действительно ново, что рискованно, что ценнее
↓ Старт проекта занимает недели вместо дней
Поиск релевантных статей по Semantic Scholar, arXiv
Индексация в RAG + построение графа знаний (Wikontic + Wikidata)
Hybrid search: RAG + граф → матрица покрытия, противоречия
4 стратегии генерации: Gap · Swanson · Contradiction · Analogy
Скоринг по 6 критериям + ранжирование
Матрица покрытия: какие комбинации (материал × режим) ещё не исследованы
A связан с B, B связан с C, но A→C не проверяли. Классика hypothesis generation с 1986 г.
Похожие условия, разные результаты = нерешённый вопрос = гипотеза для разрешения конфликта
Если зависимость X→Y работает для сплава A, сработает ли для сплава B?
Каждая стратегия работает независимо → результаты объединяются и ранжируются
Точные факты
«при 1400°C с 2% Y₂O₃ получили K_IC = 8.5 MPa·m½»
Семантический контекст
«механизмы упрочнения в керамиках...»
Evidence Bundle → в Generator
Добавление 0.3% Nb в сплав X при отжиге Y повысит жаропрочность за счёт NbC
Не «попробуйте ниобий», а конкретный эксперимент с критерием опровержения
Report 2024-031
«NbC стабильны до 1100°C»
conf: 0.89
H-001: Добавка 0.3% Nb
arXiv 2025.xxxxx
найдена автоматически«дисперсные карбиды повышают...»
conf: 0.91
Эксперт видит всю цепочку: документ → извлечённый факт → стратегия генерации → гипотеза → оценка. Может скорректировать на любом этапе.
Система учитывает зависимости между гипотезами и общие ресурсы
GigaChat-2 / GigaChat-2-Max
Онтологии + Wikidata (AAAI'26)
BM25 + Vector + Reranker
Semantic Scholar, arXiv, OpenAlex, CrossRef, патенты
React / Next.js
PDF / DOCX / JSON / CSV