Intern-Atlas : Un graphe d'évolution méthodologique comme infrastructure de recherche pour les scientifiques en IA
Intern-Atlas: A Methodological Evolution Graph as Research Infrastructure for AI Scientists
April 30, 2026
Auteurs: 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
Résumé
L'infrastructure de recherche existante est fondamentalement centrée sur les documents, fournissant des liens de citation entre les articles mais manquant de représentations explicites de l'évolution méthodologique. En particulier, elle ne capture pas les relations structurées qui expliquent comment et pourquoi les méthodes de recherche émergent, s'adaptent et se construisent les unes sur les autres. Avec l'émergence des agents de recherche pilotés par l'IA en tant que nouvelle classe de consommateurs de connaissances scientifiques, cette limite devient de plus en plus conséquente, car ces agents ne peuvent pas reconstruire de manière fiable les topologies d'évolution méthodologique à partir de texte non structuré. Nous présentons Intern-Atlas, un graphe d'évolution méthodologique qui identifie automatiquement les entités au niveau méthodologique, infère les relations de filiation entre les méthodologies et capture les goulots d'étranglement qui motivent les transitions entre les innovations successives. Construit à partir de 1 030 314 articles couvrant des conférences, des revues et des prépublications arXiv en IA, le graphe résultant comprend 9 410 201 arêtes sémantiquement typées, chacune ancrée dans des preuves textuelles sources, formant un réseau causal interrogeable du développement méthodologique. Pour opérationnaliser cette structure, nous proposons en outre un algorithme de recherche arborescente temporelle auto-guidée pour construire des chaînes d'évolution qui retracent la progression des méthodes dans le temps. Nous évaluons la qualité du graphe résultant par rapport à des chaînes d'évolution de référence établies par des experts et observons une forte concordance. De plus, nous démontrons qu'Intern-Atlas permet des applications en aval dans l'évaluation d'idées et la génération automatisée d'idées. Nous positionnons les graphes d'évolution méthodologique comme une couche de données fondamentale pour la découverte scientifique automatisée émergente.
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.