A tudomány közösségi törekvés, személyek és munkájuk közötti összefüggések a közösség kollektív figyelmét tükröző gráfként ábrázolhatók. A kollektív figyelem jelzésként működik, ígéretes utakat vetít előre további kutatások számára, és a gépi tanulás is segíthet benne.

A Chicago Egyetem kutatói tudományos felfedezések előrejelzésére dolgoztak ki módszert. Gráfjuk kutatókat, vizsgálódásuk tárgyát és tudományos jellemzőket kapcsolja össze egymással. A megközelítést anyagtudományi adatokon értékelték ki.

Kutatók érdeklődési körének átfedései olyan területeket jelezhetnek, ahol további kutatások eredményesek lehetnek. Ha például egy csoport A anyagot és P tulajdonságát, egy másik A és B anyagokat, egy harmadik B és C anyagokat vizsgálja, kiderülhet, hogy a C anyag P tulajdonságot mutat.

A kutatók próbálták előrejelezni, hogy egyes szervetlen anyagok mutatnak-e elektromos tulajdonságokat. Munkájuk alapját a 2000-ig publikált tudományos irodalom jelentette. Másfélmillió, százezer szervetlen vegyületet leíró tanulmányból kiszedték a szerzők nevét, a megemlített anyagokat és tulajdonságaikat.

Az adatokat gráf kidolgozására használták fel. A szerzők, az anyagok és a tulajdonságok képezték a csomópontokat. A csomópontokat az ugyanabban az anyagban való megjelenést jelző élek kötötték össze.

A kutatók véletlenszerűen „járták be” a gráfot; szerzők, anyagok és tulajdonságok sorozatait alakították ki belőlük, majd a szerzőket eltüntették, mert főként az anyagok és tulajdonságok közötti lehetséges kapcsolatok létrehozása érdekelte őket. Gépitanulás-modellt tanítottak be szó-beágyazások kiszámítására. Az anyagokat és tulajdonságokat szavakként, a sorozatokat dokumentumokként kezelte. A módszer minden anyaghoz és tulajdonsághoz beágyazást eredményezett.

Felfedezések előrejelzéséhez pontozták az anyagokat. A pontozás egyrészt az anyag és az adott tulajdonság beágyazása közti hasonlóságon, másrészt az anyagokat és a tulajdonságokat összekötő útvonal legkisebb élén alapult, majd a kettő pontszámát összeadták. A legmagasabb pontszámot elért ötven anyagról prognosztizálták, hogy rendelkeznek három tulajdonság valamelyikével.

A modellt 2001 és 2018 közötti anyagokon finomhangolták, és például a termoelektromosságban hetvenhat százalékos pontossággal jelzett előre tényleges felfedezéseket: százból hetvenhatot. A másik két tulajdonsággal is hasonló eredményt értek el. (Alternatív módszerrel negyvennyolc, random találgatással három százalék volt a sikeres előrejelzés.)