論文の概要: Unlocking LLM Creativity in Science through Analogical Reasoning

• arxiv url: http://arxiv.org/abs/2605.11258v1
• Date: Mon, 11 May 2026 21:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.439094
• Title: Unlocking LLM Creativity in Science through Analogical Reasoning
• Title（参考訳）: アナロジカル推論による科学におけるLCM創造性の解錠
• Authors: Andrew Shen, Shaul Druckmann, James Zou,
• Abstract要約: アナログ推論(AR)を解生成の新しいアプローチとして導入する。 ARは、共有リレーショナル構造に基づいてドメイン間の問題に類似して生成し、それらの類似を利用して新しい解を探す。 バイオメディカルな4つの問題にまたがってAR生成ソリューションを実装し,一貫した定量的ゲインを得る。
• 参考スコア（独自算出の注目度）: 25.35285221560113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous science promises to augment scientific discovery, particularly in complex fields like biomedicine. However, this requires AI systems that can consistently generate novel and diverse solutions to open-ended problems. We evaluate LLMs on the task of open-ended solution generation and quantify their tendency to mode collapse into low-diversity generations. To mitigate this mode collapse, we introduce analogical reasoning (AR) as a new approach to solution generation. AR generates analogies to cross-domain problems based on shared relational structure, then uses those analogies to search for novel solutions. Compared to baselines, AR discovers significantly more diverse generations (improving solution diversity metrics by 90-173%), generates novel solutions over 50% of the time (compared to as little as 1.6% for baselines), and produces high-quality analogies. To validate the real-world feasibility of AR, we implement AR-generated solutions across four biomedical problems, yielding consistent quantitative gains. AR-generated approaches achieve a nearly 13-fold improvement on distributional metrics for perturbation effect prediction, outperform all baselines on AUPRC when predicting cell-cell communication, infer brain region interactions with a high Spearman correlation ($ρ$=0.729) to published methods, and establish state-of-the-art performance on 2 datasets for oligonucleotide property prediction. The novel and diverse solutions produced by AR can be used to augment the search space of existing solution generation methods.
• Abstract（参考訳）: 自律科学は、特にバイオメディシンのような複雑な分野において、科学的発見を増やすことを約束する。 しかし、これは、オープンエンドな問題に対する新しい多様なソリューションを一貫して生成できるAIシステムを必要とする。 オープンエンドソリューション生成の課題におけるLCMの評価と,低多様性世代へのモード崩壊傾向の定量化を行う。 このモードの崩壊を緩和するため, アナログ推論(AR)を解生成の新しいアプローチとして導入する。 ARは、共有リレーショナル構造に基づくクロスドメイン問題に類似して生成し、それらの類似を利用して新しい解を探す。 ベースラインと比較すると、ARはより多様な世代(ソリューションの多様性指標を90～173%向上)を発見し、50%以上の新しいソリューション(ベースラインは1.6%以下)を生成し、高品質なアナログを生成する。 実世界のARの実現可能性を検証するために,4つの生体医学的問題にまたがるAR生成ソリューションを実装し,一貫した定量化を実現した。 AR生成アプローチは、摂動効果予測のための分布指標のおよそ13倍の改善を実現し、細胞間通信の予測におけるAUPRCのすべてのベースラインを上回り、公表された2つのデータセットのオリゴヌクレオチド特性予測のための最先端性能を確立し、スピアマン相関(ρ$=0.729)の高い脳領域相互作用を推論する。 ARが生み出す新しい多様なソリューションは、既存のソリューション生成手法の検索空間を拡大するために利用することができる。

関連論文リスト

• GRAFT-ATHENA: Self-Improving Agentic Teams for Autonomous Discovery and Evolutionary Numerical Algorithms [4.235429894371577]
  自己改善型エージェントフレームワークであるGRAFT-ATHENAが過去の問題から自律的に学習していることを示す。 このフレームワークはさまざまなドメインにまたがって独自のアクション空間を拡張している。 1968年の報告書から、アポロ計画モジュール上のマッハ-10フローのような複雑な工学的な問題に取り組む。
  論文  参考訳（メタデータ） (2026-05-11T18:27:01Z)
• AROMA: Augmented Reasoning Over a Multimodal Architecture for Virtual Cell Genetic Perturbation Modeling [10.19071074895934]
  本稿では,仮想細胞遺伝的摂動モデリングのためのマルチモーダルアーキテクチャ上でのAugmented Reasoningを提案する。 AROMAは、テキストエビデンス、グラフトポロジー情報、タンパク質配列機能を統合し、摂動ターゲット依存性をモデル化する。 正確かつ解釈可能な予測を得るために、2段階最適化戦略で訓練されている。
  論文  参考訳（メタデータ） (2026-04-22T07:10:45Z)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Multi-population GAN Training: Analyzing Co-Evolutionary Algorithms [0.3683202928838613]
  GAN(Generative Adversarial Network)は強力な生成モデルであるが,モード崩壊や不安定性などの病態のため,トレーニングが困難である。 近年の研究では、ジェネレータと識別器の個体群が進化する進化的アプローチが研究されている。 本稿では,異なる共進化的GANトレーニング戦略の実証分析を行い,選択と代替メカニズムの影響に着目した。
  論文  参考訳（メタデータ） (2025-07-17T14:19:17Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Synergizing Reinforcement Learning and Genetic Algorithms for Neural Combinatorial Optimization [25.633698252033756]
  本稿では,DRLの学習効率をGAのグローバル検索能力と相乗化するための進化的拡張機構を提案する。 EAMは、学習されたポリシーからソリューションを生成し、クロスオーバーや突然変異といったドメイン固有の遺伝子操作によってそれらを精製することで機能する。 EAMは、アテンションモデル、POMO、SymNCOのような最先端のDRLソルバとシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-06-11T05:17:30Z)
• Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
  現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。 標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。 我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。 本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
  論文  参考訳（メタデータ） (2023-04-01T15:50:18Z)
• A Hybrid Evolutionary Algorithm for Reliable Facility Location Problem [10.668347198815438]
  信頼性施設配置問題(RFLP)は、現代のサプライチェーンとロジスティクスの意思決定と管理において重要な役割を担っている。 本稿では,RFLPの新しいモデルを提案する。既存の作業のように,各顧客に一定数の施設を割り当てる代わりに,割り当てられた施設数を独立変数として設定する。 そこで我々は,記憶可能な局所探索(MLS)法と進化的アルゴリズム(EA)を組み合わせたハイブリッド進化アルゴリズム EAMLS を提案する。
  論文  参考訳（メタデータ） (2020-06-27T11:31:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。