English(EN) When Literature Data Mislead Artificial Intelligence in Materials Discovery

不可靠的文献数据阻碍了人工智能在材料发现中的应用

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-03 04:00

一篇新发表在arXiv上的论文强调了使用科学文献数据训练用于材料发现的AI模型所存在的重大问题。研究人员发现，源自文献的数据常常包含不一致之处，例如文本与图表不匹配、标注模糊不清以及单位错误，这些都可能导致结构化标签噪声。这些差异，即使在数值上看似合理，也可能传播并造成重大错误，如固态电解质数据中出现的100倍电导率误差所示。该研究强调了改进数据可追溯性、整理和验证实践的必要性，以确保AI驱动的科学发现的可靠性。 AI

影响强调了可能减缓AI在科学研究和发现中应用的重大数据质量问题。

排序理由学术论文，详细阐述了AI在科学发现中数据可靠性方面的问题。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细阐述了AI在科学发现中数据可靠性方面的问题。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Qian Wang, Ying Li, Ryuhei Sato, Hidemi Kato, Shin-ichi Orimo, Hao Li, Eric Jianfeng Cheng · 2026-09-03 04:00

当文学数据误导人工智能在材料发现领域的研究

arXiv:2609.01621v1 Announce Type: cross Abstract: Artificial intelligence (AI) increasingly treats scientific literature as a data source for building databases, training predictive models, and guiding discovery. Yet literature-derived datasets often assume that reported experime…

本文如何被排名

报道来源 [1]

当文学数据误导人工智能在材料发现领域的研究

相关实体

相关话题