Intern-Atlas: Ein methodologischer Evolutionsgraph als Forschungsinfrastruktur für KI-Wissenschaftler
Intern-Atlas: A Methodological Evolution Graph as Research Infrastructure for AI Scientists
April 30, 2026
Autoren: Yujun Wu, Dongxu Zhang, Xinchen Li, Jinhang Xu, Yiling Duan, Yumou Liu, Jiabao Pan, Xuanhe Zhou, Jingxuan Wei, Siyuan Li, Jintao Chen, Conghui He, Cheng Tan
cs.AI
Zusammenfassung
Die bestehende Forschungsinfrastruktur ist grundsätzlich dokumentenzentriert und bietet Zitationsverknüpfungen zwischen Publikationen, jedoch fehlen explizite Darstellungen methodischer Evolution. Insbesondere erfasst sie nicht die strukturierten Beziehungen, die erklären, wie und warum Forschungsmethoden entstehen, sich anpassen und aufeinander aufbauen. Mit dem Aufstieg KI-gesteuerter Forschungsagenten als neue Klasse von Nutzern wissenschaftlichen Wissens wird diese Einschränkung zunehmend folgenschwer, da solche Agenten Methoden-Evolutionstopologien nicht zuverlässig aus unstrukturiertem Text rekonstruieren können.
Wir stellen Intern-Atlas vor, einen Methoden-Evolutionsgraphen, der automatisch Methoden-Entitäten identifiziert, Abstammungsbeziehungen zwischen Methodologien ableitet und die Engpässe erfasst, die Übergänge zwischen aufeinanderfolgenden Innovationen antreiben. Der Graph, erstellt aus 1.030.314 Publikationen von KI-Konferenzen, Fachzeitschriften und arXiv-Preprints, umfasst 9.410.201 semantisch typisierte Kanten, die jeweils auf wörtlichen Quellenbelegen basieren und ein abfragbares kausales Netzwerk methodischer Entwicklung bilden.
Um diese Struktur nutzbar zu machen, schlagen wir weiterhin einen selbstgesteuerten temporalen Baum-Suchalgorithmus zur Konstruktion von Evolutionsketten vor, die den Fortschritt von Methoden über die Zeit nachzeichnen. Wir evaluieren die Qualität des resultierenden Graphen anhand von kuratierten Expertengrundwahrheiten für Evolutionsketten und stellen eine starke Übereinstimmung fest. Zudem demonstrieren wir, dass Intern-Atlas Downstream-Anwendungen in der Ideenbewertung und automatisierten Ideengenerierung ermöglicht. Wir positionieren Methoden-Evolutionsgraphen als fundamentale Datenebene für die aufkommende automatisierte wissenschaftliche Entdeckung.
English
Existing research infrastructure is fundamentally document-centric, providing citation links between papers but lacking explicit representations of methodological evolution. In particular, it does not capture the structured relationships that explain how and why research methods emerge, adapt, and build upon one another. With the rise of AI-driven research agents as a new class of consumers of scientific knowledge, this limitation becomes increasingly consequential, as such agents cannot reliably reconstruct method evolution topologies from unstructured text. We introduce Intern-Atlas, a methodological evolution graph that automatically identifies method-level entities, infers lineage relationships among methodologies, and captures the bottlenecks that drive transitions between successive innovations. Built from 1,030,314 papers spanning AI conferences, journals, and arXiv preprints, the resulting graph comprises 9,410,201 semantically typed edges, each grounded in verbatim source evidence, forming a queryable causal network of methodological development. To operationalize this structure, we further propose a self-guided temporal tree search algorithm for constructing evolution chains that trace the progression of methods over time. We evaluate the quality of the resulting graph against expert-curated ground-truth evolution chains and observe strong alignment. In addition, we demonstrate that Intern-Atlas enables downstream applications in idea evaluation and automated idea generation. We position methodological evolution graphs as a foundational data layer for the emerging automated scientific discovery.