🤖 AI

Unlocking LLM Creativity in Science through Analogical Reasoning

Dieser Beitrag stellt analoges Schließen als einen neuen Ansatz zur Minderung von Mode Collapse in großen Sprachmodellen vor und zeigt, dass es die Vielfalt und Neuheit generierter wissenschaftlicher Lösungen erheblich steigert, während es gleichzeitig state-of-the-art-Leistung über mehrere biomedizinische Aufgaben hinweg erzielt.

Ursprüngliche Autoren: Andrew Shen, Shaul Druckmann, James Zou

Veröffentlicht 2026-05-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Andrew Shen, Shaul Druckmann, James Zou

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Wissenschaftler, der versucht, ein sehr schwieriges Rätsel zu lösen. Sie bitten einen superschlauen KI-Assistenten um Ideen, wie man es lösen könnte. Leider liefert die KI immer wieder dieselben fünf Antworten, nur leicht anders formuliert. Es ist, als würde man einen Koch nach 100 verschiedenen Abendessen-Ideen fragen, und er schlägt immer wieder „Spaghetti" vor, nennt sie aber „Pasta", „Nudeln" oder „Italienische Strings". In der Welt der KI nennt man dies Mode Collapse. Die KI gerät in eine Sackgasse und hört auf, kreativ zu sein.

Diese Arbeit mit dem Titel „Unlocking LLM Creativity in Science through Analogical Reasoning" (Entfesselung der Kreativität von LLMs in der Wissenschaft durch analoges Schließen) schlägt einen cleveren neuen Weg vor, um die KI aus dieser Sackgasse zu befreien. Die Autoren von der Stanford University schlagen vor, der KI beizubringen, wie ein Metaphernschöpfer zu denken.

Das Problem: Die „Echokammer" der KI

Wenn Wissenschaftler die KI bitten, neue Ideen für komplexe Probleme zu generieren (wie etwa, wie man ein Virus stoppt oder vorhersagt, wie eine Zelle auf ein Medikament reagiert), neigt die KI dazu, faul zu werden. Sie greift die bekanntesten, offensichtlichsten Lösungen, die sie kennt, und wiederholt sie.

Das Ergebnis: Wenn Sie 100 Mal fragen, erhalten Sie möglicherweise 95 Antworten, die im Wesentlichen dasselbe sind.
Die Konsequenz: Sie verpassen die seltsamen, wilden und potenziell brillanten Ideen, die das Problem tatsächlich lösen könnten.

Die Lösung: Der „Querdenker-Detektiv"

Die Autoren stellen eine Methode namens Analogical Reasoning (AR) (Analoges Schließen) vor. Anstatt die KI einfach zu fragen: „Wie behebe ich das?", bitten sie sie, ein Spiel zu spielen: „Worin ist dies ähnlich?"

Stellen Sie es sich so vor:

Der alte Weg: Man fragt einen Mechaniker: „Wie repariere ich einen defekten Motor?" Der Mechaniker betrachtet Motoren und schlägt Standardreparaturen vor.
Der neue Weg (AR): Man fragt den Mechaniker: „Wie reparieren Sie einen defekten Motor? Stellen Sie sich nun vor, dieser Motor ist tatsächlich ein Stau in einer belebten Stadt. Wie würde ein Verkehrsingenieur den Stau beheben? Nehmen Sie nun diese Verkehrslösung und wenden Sie sie auf den Motor an."

Die KI wird so trainiert:

Nach der versteckten Struktur zu suchen: Sie ignoriert die Oberflächendetails (wie „Zellen" oder „Autos") und betrachtet die Beziehungen (wie „Dinge, die sich durch einen überfüllten Raum bewegen" oder „Signale, die blockiert werden").
In eine völlig andere Welt zu springen: Sie findet ein Problem in einem völlig anderen Bereich (wie Wirtschaft, Schach oder Seismologie), das dieselbe versteckte Struktur aufweist.
Die Lösung zu „stehlen": Sie übernimmt die Lösung aus diesem anderen Bereich und übersetzt sie zurück auf das ursprüngliche wissenschaftliche Problem.

Beispiele aus der Praxis aus der Arbeit

Die Arbeit zeigt, dass dies nicht nur Theorie ist; sie haben es tatsächlich angewendet, um reale biomedizinische Probleme zu lösen. Hier sind zwei Beispiele, wie die KI „außerhalb der Box" dachte:

1. Die „Wirtschafts"-Medikamentenlösung

Das Problem: Wissenschaftler versuchten vorherzusagen, wie einzelne Zellen auf Medikamente reagieren. Die KI schlug ständig Modelle vor, die nur die durchschnittliche Reaktion vorhersagten und das einzigartige Verhalten einzelner Zellen ignorierten.
Die Analogie: Die KI erkannte, dass dies der Wirtschaft ähnelt. Genau wie ein einzelner Verbraucher anders auf eine Preiserhöhung reagiert als der „durchschnittliche" Verbraucher, reagiert eine einzelne Zelle anders auf ein Medikament.
Das Ergebnis: Die KI schlug ein statistisches Werkzeug aus der Wirtschaft vor, das Finite Mixture Models (endliche Mischmodelle) heißt. Als sie dies testeten, funktionierte es erstaunlich gut und sagte das Verhalten einzelner Zellen weit besser vorher als frühere Methoden.

2. Die „Schach"-DNA-Lösung

Das Problem: Wissenschaftler versuchten, die Eigenschaften kurzer DNA-Ketten vorherzusagen. Die KI schlug ständig Modelle vor, die ignorierten, wo ein bestimmtes DNA-Stück in der Kette positioniert war.
Die Analogie: Die KI erkannte, dass dies dem Schach ähnelt. Im Schach ist ein Bauer in der Mitte des Bretts schwach, aber stark am Rand. Sein Wert hängt vollständig von seiner Position ab.
Das Ergebnis: Die KI schlug die Verwendung von Piece-Square Tables vor (eine Schachstrategie, die Figuren basierend auf ihrer Brettposition bewertet). Die Anwendung dieser Methode auf DNA ermöglichte es den Modellen zu verstehen, dass die Position einer genetischen Sequenz wichtig ist, was zu Ergebnissen auf dem Stand der Technik führte.

Was haben sie herausgefunden?

Die Autoren testeten diese Methode gegen Standard-KI-Ansätze und stellten fest:

Mehr Vielfalt: Die KI generierte Lösungen, die 90 % bis 173 % vielfältiger waren. Sie hörte auf, dieselben „Spaghetti"-Antworten zu wiederholen.
Mehr Neuheit: Über 50 % der mit dieser Methode generierten Lösungen waren genuinely neue Ideen (im Vergleich zu weniger als 2 % bei Standard-KI).
Echter Erfolg: Als sie diese neuen Ideen tatsächlich im Labor (oder via Computersimulation) bauten und testeten, schnitten sie bei der Vorhersage von Zellverhalten, Gehirninteraktionen und Medikamenteneigenschaften konsistent besser ab als bestehende Methoden.

Das Fazit

Diese Arbeit argumentiert, dass wir, um die KI zu einem echten Partner bei der wissenschaftlichen Entdeckung zu machen, sie nicht einfach nur in ihrer eigenen „Bibliothek" nach Antworten suchen lassen können. Wir müssen sie zwingen, aus dem Fenster zu schauen, zu sehen, wie ein Stau funktioniert oder wie ein Schachspiel gespielt wird, und dann zu fragen: „Wie hilft uns das, unser wissenschaftliches Problem zu lösen?"

Durch die Verwendung von Analogien hört die KI auf, eine langweilige Kopie zu sein, und beginnt, wie ein kreativer Erfinder zu agieren, indem sie die Lücke zwischen unzusammenhängenden Feldern überbrückt, um Lösungen zu finden, die Menschen möglicherweise übersehen hätten.

Technische Zusammenfassung: Erschließung der Kreativität von LLMs in der Wissenschaft durch analoges Schließen

Problemstellung

Die autonome wissenschaftliche Entdeckung, insbesondere in komplexen Bereichen wie der Biomedizin, ist auf KI-Systeme angewiesen, die in der Lage sind, neue und vielfältige Lösungen für offene Probleme zu generieren. Aktuelle Large Language Models (LLMs) zeigen jedoch bei Aufgaben zur Generierung offener Lösungen eine signifikante Neigung zum Mode Collapse. Anstatt einen weiten Suchraum zu erkunden, konvergieren LLMs auf semantisch ähnliche, hochwahrscheinliche Generierungen (oft kanonische Lösungen wie AlphaFold für die Proteinfaltung), was die Vielfalt potenzieller Entdeckungen erheblich einschränkt. Dieser Mangel an Vielfalt behindert die Fähigkeit von KI-Systemen, als effektive Motoren für die autonome Wissenschaft zu dienen, da Forscher eine breite Palette von Kandidatenlösungen benötigen, um Probleme aus mehreren Perspektiven anzugehen und eine vorzeitige Konvergenz auf bestehende Paradigmen zu vermeiden.

Methodik

Die Autoren führen Analoges Schließen (AR) als strukturierten Ansatz ein, um Mode Collapse zu mindern und die Lösungsvielfalt zu erhöhen. Die Methodik basiert auf der Struktur-Mapping-Theorie aus der Kognitionswissenschaft, die Analogien als Abbildungen gemeinsamer relationaler Strukturen zwischen einem Basisbereich und einem Zielbereich definiert, anstatt auf oberflächlichen Objektsimilaritäten.

Die AR-Pipeline arbeitet in einem zweistufigen Prozess:

Extraktion: Gegeben ein Forschungsproblem $p$ , extrahiert ein LLM-Agent die Menge der Objekte ( $O_p$ ) und Relationen ( $R_p$ ), die dem Problem inhärent sind. Anschließend generiert er Analogien zu forschungsübergreifenden Problemen, die ähnliche relationale Strukturen teilen. Diese Analogien werden als Objektabbildungen ( $M$ ) zwischen dem Problembereich und einem analogen Bereich sowie als eine Menge gemeinsamer Relationen ( $R_a$ ) formalisiert.
Suche: Ein zweiter LLM-Agent nutzt die generierte Analogie (insbesondere die Objektabbildungen und gemeinsamen Relationen), um nach bestehenden Lösungen, Algorithmen oder Methoden innerhalb des analogen Bereichs zu suchen. Der Agent wird aufgefordert, Lösungen zu finden, die die gemeinsame relationale Struktur adressieren und auf das ursprüngliche biomedizinische Problem zurückübertragen werden können.

Dieser Ansatz wird mit zwei Baselines verglichen:

No-domain-Baseline: Fordert das LLM direkt auf, Lösungen ohne Domänenbeschränkungen zu finden.
Cross-domain-Baseline: Fordert das LLM auf, Lösungen aus anderen Domänen zu finden, jedoch ohne explizite Generierung der intermediären analogen Struktur (Objektabbildungen und gemeinsame Relationen).

Die Evaluation nutzt 50 Forschungsprobleme, die aus einem kuratierten „AR-Datensatz" von 266 biomedizinischen Papieren stammen, die domänenübergreifende Analogien verwendeten. Die Studie verwendet drei LLMs (Claude Sonnet 4.5, GPT-5.2 und Gemini 3 Flash) und bewertet die Ausgaben anhand dreier Achsen: Generierungsvielfalt, Lösungsnovelty und Analogiequalität.

Hauptbeiträge

Quantifizierung von Mode Collapse: Der Artikel liefert die erste systematische Quantifizierung von Mode Collapse bei der Generierung offener wissenschaftlicher Lösungen und zeigt, dass Baseline-LLMs outputs mit geringer Vielfalt produzieren, die auf eine enge Menge hochwahrscheinlicher Lösungen konvergieren.
Rahmenwerk für analoges Schließen: Die Autoren schlagen AR als spezifischen Mechanismus vor und implementieren ihn, um den Suchraum für Lösungen zu erweitern. Indem das Modell gezwungen wird, relationale Strukturen über disparate Domänen hinweg explizit abzubilden, lenkt AR die Suche hin zu neuen, nicht offensichtlichen Lösungen.
Menschliche und automatisierte Validierung: Die Studie validiert die Novelty und Qualität von AR-generierten Lösungen sowohl durch von LLMs bewertete Metriken als auch durch menschliche Annotationsstudien und zeigt eine starke Übereinstimmung zwischen automatisierten Scores und Expertenurteilen.
Praktische Machbarkeit: Die Autoren demonstrieren den praktischen Nutzen von AR durch die Implementierung von vier distincten biomedizinischen Fallstudien und zeigen, dass AR-generierte Ansätze bei realen Aufgaben State-of-the-Art- oder wettbewerbsfähige Leistungen erzielen können.

Ergebnisse

Vielfalt und Novelty

Minderung von Mode Collapse: AR schneidet bei der Generierungsvielfalt deutlich besser ab als die Baselines. Im Vergleich zu den Baselines verbessert es den Domain Vendi Score (eine Metrik für semantische Vielfalt) um 100–115 % und den Solution Vendi Score um 90–173 %.
Novelty: AR generiert in über 50 % der Fälle neue Lösungen (abhängig vom LLM zwischen 50,4 % und 68,9 %), wohingegen die No-domain-Baseline selten neue Lösungen findet (so niedrig wie 1,6 %). In einer menschlichen Paarvergleichsstudie wurden AR-Lösungen in 78 % der Fälle als neuartiger eingestuft als Cross-domain-Baseline-Lösungen.
Analogiequalität: AR generiert Analogien mit signifikant höherem Domain Distance (3-mal höher als die No-domain-Baseline) und Novelty-Scores, was darauf hindeutet, dass AR erfolgreich hochdisparate Felder verbindet (z. B. Systembiologie und Wirtschaftswissenschaften, Wirkstoffdesign und Schachtaktiken).

Leistung in Fallstudien

Die Autoren implementierten AR-generierte Lösungen für vier biomedizinische Probleme, was zu konsistenten quantitativen Gewinnen führte:

Vorhersage von Perturbationseffekten: Durch die Abbildung von Systembiologie auf Wirtschaftswissenschaften schlug AR die Verwendung von Finite Mixture Models (FMM) vor. Dieser Ansatz erzielte eine nahezu 13-fache Verbesserung bei der MMD-PCA-Verteilungsmetrik (Reduktion des Scores von 1,65 auf 0,13) im Vergleich zur Latent Additive (LA)-Baseline und erfasste die Heterogenität einzelner Zellen besser.
Inferenz von Zell-Zell-Kommunikation: Durch die Abbildung von Telekommunikation auf Biologie schlug AR eine Signal-zu-Rausch-Verhältnis (SNR)-Analyse vor. Diese Methode erzielte State-of-the-Art-Leistung bei der AUPRC-Metrik (0,248) für den OpenProblems-Ligand-Ziel-Benchmark und übertraf 14 bestehende Baselines.
Interaktion von Gehirnregionen: Durch die Abbildung von Kommunikationsnetzen auf Neurowissenschaften identifizierte AR die PCMCI-Methode (Peter and Clark Momentary Conditional Independence). Dieser Ansatz isolierte erfolgreich Kopplungssignale zwischen den Hemisphären mit einer hohen Spearman-Korrelation ( $\rho=0,729$ ) zu veröffentlichten Methoden und vergleichbarer Vorhersagekraft für Verhaltensergebnisse.
Vorhersage von Oligonukleotid-Eigenschaften: Durch die Abbildung von Schachtaktiken auf Wirkstoffdesign schlug AR Piece-Square Tables (PST) mit abgestufter Bewertung vor. Diese Methode erzielte State-of-the-Art-Leistung bei 2 von 6 Datensätzen zur Vorhersage von Oligonukleotid-Eigenschaften und verbesserte lineare Baselines durch die Kodierung positionsabhängiger Effekte.

Bedeutung

Der Artikel positioniert Analoges Schließen als kritischen „Vielfaltsmotor" für die Zukunft der autonomen Wissenschaft. Die Autoren argumentieren, dass, da KI-Systeme einen größeren Teil des wissenschaftlichen Prozesses übernehmen, Rahmenwerke weiterentwickelt werden müssen, um eine Konvergenz auf kanonische Lösungen zu vermeiden. AR dient dazu, den Suchraum bestehender Lösungsgenerierungsmethoden zu erweitern, indem es die latente Fähigkeit von LLMs nutzt, domänenübergreifendes Schließen durchzuführen.

Die Arbeit zeigt, dass AR nicht nur theoretisch fundiert, sondern auch praktisch machbar ist und hochwertige, neue Lösungen produziert, die in realen biomedizinischen Kontexten implementiert und validiert werden können. Die Autoren weisen darauf hin, dass der Ansatz rechnerisch kostengünstig ist (ungefähr 0,02 USD pro Problem), was ihn skalierbar macht. Während die aktuelle Evaluation auf biomedizinische Probleme beschränkt ist, ist das Rahmenwerk domänenagnostisch und deutet auf eine breite Anwendbarkeit über wissenschaftliche Disziplinen hinweg hin. Der Artikel schließt, dass AR einen wesentlichen Schritt darstellt, um isolierte Domänen zu verbinden und wissenschaftliche Innovation voranzutreiben, sofern strenge Sicherheits- und Machbarkeitsbewertungen mit der Generierung neuer Hypothesen einhergehen.