近年来，一个领域的技术变革越来越依赖于其他领域的技术进步，创新模式正从以技术突破为主导转向以技术融合为主导（Geum, 2012; Kodama, 1986）。技术融合通过结合不同领域的技术创造出具有突破性功能的新混合技术，带来了技术进步的机会（Schnaars et al., 2008）。特别是，得益于数据量的快速增长、计算能力的显著提升以及机器学习算法的持续优化，人工智能（AI）发展迅速，生物技术（Oliveira, 2019）、汽车（Endsley, 2017）和金融（Lee and Shin, 2018）等行业正通过AI融合经历前所未有的变革。同样，可再生能源（RE）系统也通过与AI的深度融合推动着自身的发展。随着世界经济的快速发展，能源安全和气候变化问题日益严重（Abdalla et al., 2021; Ying et al., 2023）。作为确保能源安全和减少碳排放的技术，可再生能源发电在电力供应系统中的份额逐渐增加（Liu et al., 2022）。然而，可再生能源来源的波动性、间歇性和随机性危及大规模并网可再生能源系统的可靠性和安全性（Ying et al., 2023）。将AI与RE融合可以显著提高可再生能源的发电和需求预测能力，并优化电网运营和能源管理（Abdalla et al., 2021; Ying et al., 2023）。同时，可再生能源系统的复杂性和显著的动态变化特性反过来又促进了AI技术的发展和优化（Shan et al., 2022; Zhang et al., 2024）。因此，在当前的技术融合环境下，前瞻性地发现AI和RE之间的技术融合机会将为可再生能源系统的优化以及全球能源结构的转型和升级提供重要支持。此外，已有研究致力于发现AI领域（Chen et al., 2023; Li et al., 2021）或RE领域（Feng et al., 2023; Li et al., 2019）的技术机会，或者利用文献综述方法分析AI和RE交叉领域的研究进展（Klaiber and Van Dinther, 2023; Zhang et al., 2022），但在利用先进智能方法定量发现AI和RE技术融合机会方面仍存在研究空白。
大量研究致力于通过基于相似性的链接预测（Lee et al., 2015; Park and Yoon, 2018）和基于监督学习的链接预测（Afifuddin and Seo, 2024; Feng et al., 2020; Hong and Lee, 2023; Kim and Sohn, 2020）方法来发现技术融合机会，以支持创新决策。然而，以往的研究通常仅依赖于技术融合层面的信息，而忽略了科学融合层面的信息。根据“高度科学技术驱动”的行业融合理论，融合过程始于科学融合，随着基础科学领域之间的距离缩小，技术融合随之发生（Curran and Leker, 2011; Hacklin et al., 2009）。尽管已有研究定量考察了科学融合与技术融合之间的关系，并确认了前者在推动后者方面的关键作用，但这些研究主要集中在特定领域的过去融合情况（Li and Wang, 2024; Wu et al., 2025）。目前仍缺乏通过分析科学融合与技术融合之间的互动来前瞻性地发现不同领域之间技术融合机会的方法。
此外，科学和技术之间的互动孕育了潜在的技术机会（Ba et al., 2024; Li et al., 2019）。这一过程是通过分别获取科学和技术集群或主题，识别它们之间的联系，并据此分析它们之间的关系来发现技术机会（Ba et al., 2024; Feng et al., 2023; Li et al., 2019; Shen et al., 2020; Shibata et al., 2010）。然而，现有的研究采用了传统的文本聚类模型，这些模型基于词袋模型获得文本表示，并以分阶段的方式实现，从而影响了聚类或主题的准确性（Guo et al., 2017; Shen et al., 2020）。当处理科学出版物和专利的爆炸性增长时，更复杂的聚类或主题模型面临高时间和效率低下的问题（Ba et al., 2024）。此外，科学和技术之间的时间滞后和不同的发展速度使得使用定性方法或需要严格时间对齐的时间序列线性相关方法来分析它们之间的动态关系变得具有挑战性（Ba et al., 2024; Li et al., 2019）。尽管这些技术机会发现研究的分析对象集中在特定领域，而不是跨领域的融合视角，且方法存在局限性，但它们的思路仍可借鉴用于识别不同领域之间的技术融合机会。
因此，本文提出了一个框架，基于科学融合与技术融合之间的互动来前瞻性地发现不同领域之间的技术融合机会，并将该框架应用于发现AI和RE领域之间的技术融合机会。具体而言，首先根据语义锚点识别AI和RE领域的科学融合和技术融合。然后，提出了一种先进的深度文本聚类模型，即支持简单对比学习（SCSCL）的聚类方法，该方法采用SimCSE的对比学习框架，能够快速准确地分别对识别的科学和技术融合进行分类。接下来，通过自动识别科学和技术融合集群之间的联系，找出私有和共享的融合主题。最后，通过分析这些融合主题在科学和技术中首次出现的时间差异，并使用动态时间规整（DTW）方法测量它们的科学和技术趋势的相似性，探索科学融合与技术融合之间的互动，从而识别出AI和RE领域之间具有潜在或技术增长的技术融合机会。
本文的其余部分安排如下：第2节回顾了关于科学和技术融合识别、技术融合机会发现、科学和技术之间互动的技术机会以及深度文本聚类的相关文献。第3节描述了发现技术融合机会的研究框架和方法论。第4节将该框架应用于发现AI和RE领域之间的技术融合机会。第5节将所提模型的性能与其他先进的文本聚类模型进行了比较。第6节总结了本文的贡献和局限性。
