Duże modele językowe regularnie łamią fundamentalne zasady nauki, tworząc treści techniczne zawierające błędy, które podważają ich niezawodność w zastosowaniach naukowych. Nowy system Scientific Feasibility Control (SFC) rozwiązuje ten problem poprzez graf-strukturalną konformalną predykcję, która zapewnia statystyczne gwarancje poprawności rozumowania naukowego. Kluczowa innowacja polega na rozbiciu procesu generowania na najmniejsze jednostki logiczne wymagające zarówno poprawności względem praw fizyki, jak i logicznego uzasadnienia z poprzedniego kontekstu.
Metoda SFC modeluje zależności logiczne jako grafy przybliżonej dedukowalności, a nie traktuje poszczególne twierdzenia w izolacji. W momencie, gdy system wykryje naruszenie zasad naukowych, dynamicznie zmienia ścieżkę generowania i sprawdza alternatywne opcje - wszystko w czasie rzeczywistym. To podejście bezpośrednio adresuje efekt kaskadowy, w którym wczesne błędy naukowe zatruwają wszystkie kolejne kroki rozumowania.
Testowanie na znanych benchmarkach pokazuje imponujące wyniki: 50,1 procent dokładności na multimodalnym PhyX physics, co wyprzedza DeepSeek-R1 z 49,8 procent i GPT-4 z 45,8 procent. Równie istotne jest to, że system osiąga 91,7 procent ważności naukowej z formalnymi gwarancjami pokrycia konformalnego przy poziomie alfa równym 0,10. To oznacza, że naukowcy mogą polegać na wynikach z wysokim poziomem pewności statystycznej.