技術的概要：類推推論による科学における LLM の創造性の解き放ち

問題定義

自律的な科学発見、特にバイオメディカルのような複雑な分野におけるものは、オープンエンドな問題に対して新規かつ多様な解決策を生成できる AI システムに依存しています。しかし、現在の大規模言語モデル（LLM）は、オープンエンドな解決策生成を課された際、モード崩壊（mode collapse）の傾向が顕著に見られます。LLM は広範な探索空間を探索する代わりに、意味的に類似した高確率の生成物（タンパク質折りたたみにおける AlphaFold のような標準的な解決策など）に収束し、潜在的な発見の多様性を著しく制限します。この多様性の欠如は、研究者が既存のパラダイムへの早期収束を避け、複数の角度から問題に取り組むために幅広い候補解決策を必要とするため、AI システムが自律科学の効果的なエンジンとして機能する能力を阻害します。

手法

著者らは、モード崩壊を緩和し解決策の多様性を高める構造化されたアプローチとして類推推論（Analogical Reasoning: AR）を導入します。この手法は、認知科学における構造マッピング理論に基づいており、類比を、表面的な対象の類似性ではなく、ベースドメインとターゲットドメイン間の共有関係構造の写像として定義しています。

AR パイプラインは 2 段階のプロセスとして機能します：

1. 抽出：研究問題 $p$ が与えられた際、LLM エージェントは問題に固有の対象集合（$O_p$）と関係集合（$R_p$）を抽出します。その後、類似した関係構造を共有するクロスドメインの研究問題への類比を生成します。これらの類比は、問題ドメインと類比ドメイン間の対象写像（$M$）と、共有関係集合（$R_a$）として形式化されます。
2. 探索：2 番目の LLM エージェントは、生成された類比（特に対象写像と共有関係）を利用して、類比ドメイン内の既存の解決策、アルゴリズム、または手法を検索します。エージェントは、共有関係構造に対処し、元のバイオメディカル問題へ転送可能な解決策を見つけるよう指示されます。

このアプローチは、2 つのベースラインと比較されます：

• ドメインなしベースライン：ドメインの制約なしに LLM に解決策を見つけるよう直接指示する。
• クロスドメインベースライン：LLM に他のドメインからの解決策を見つけるよう指示するが、中間的な類比的構造（対象写像と共有関係）を明示的に生成しない。

評価には、266 件のクロスドメイン類比を利用したバイオメディカル論文からキュレーションされた「AR データセット」からサンプリングされた 50 の研究問題が用いられます。本研究では 3 つの LLM（Claude Sonnet 4.5、GPT-5.2、Gemini 3 Flash）を採用し、生成の多様性、解決策の新規性、類比の品質という 3 つの軸で出力を評価します。

主要な貢献

1. モード崩壊の定量化：本論文は、オープンエンドな科学解決策生成におけるモード崩壊の体系的な定量化を初めて提供し、ベースライン LLM が低多様性の出力を生み出し、狭い範囲の高確率解決策に収束することを示しています。
2. 類推推論フレームワーク：著者らは、解決策の探索空間を拡大する特定のメカニズムとして AR を提案し実装しました。モデルに異なるドメイン間の関係構造を明示的に写像させることで、AR は新規かつ非自明な解決策へと探索を誘導します。
3. 人間および自動検証：本研究は、LLM による評価指標と人間の注釈研究の両方を通じて、AR によって生成された解決策の新規性と品質を検証し、自動スコアと専門家の判断の間に強い整合性があることを示しました。
4. 現実世界での実現可能性：著者らは、4 つの異なるバイオメディカル事例研究を実装することで AR の実用性を実証し、AR によって生成されたアプローチが現実世界のタスクにおいて最先端または競争力のある性能を達成できることを示しました。

結果

多様性と新規性

• モード崩壊の緩和：AR は生成の多様性においてベースラインを大幅に上回ります。ベースラインと比較して、ドメイン・ヴェンディ・スコア（意味的多様性の指標）を 100–115%、解決策・ヴェンディ・スコアを 90–173% 改善しました。
• 新規性：AR は50% 以上の頻度（LLM によって 50.4% から 68.9% の範囲）で新規解決策を生成しますが、ドメインなしベースラインは新規解決策をほとんど見つけません（最低 1.6%）。人間のペアワイズ選好研究において、AR 解決策はクロスドメインベースラインの解決策よりも78% の頻度でより新規であると評価されました。
• 類比の品質：AR は、ドメイン距離（ドメインなしベースラインの 3 倍）と新規性スコアが著しく高い類比を生成し、AR がシステム生物学と経済学、創薬とチェス戦術など、非常に異なる分野を成功裡に架橋していることを示しています。

事例研究の性能

著者らは 4 つのバイオメディカル問題に対して AR によって生成された解決策を実装し、一貫した定量的な向上をもたらしました：

1. 摂動効果の予測：システム生物学を経済学に写像することで、AR は有限混合モデル（FMM）の使用を提案しました。このアプローチは、潜在加和（LA）ベースラインと比較して、MMD PCA 分布指標において約 13 倍の改善（スコアを 1.65 から 0.13 に低減）を達成し、単一細胞の異質性をよりよく捉えました。
2. 細胞間コミュニケーション推論：通信を生物学に写像することで、AR は信号対雑音比（SNR）分析を提案しました。この手法は、OpenProblems リガンド - ターゲットベンチマークにおいて AUPRC 指標（0.248）で最先端の性能を達成し、14 の既存ベースラインを上回りました。
3. 脳領域相互作用：通信ネットワークを神経科学に写像することで、AR はPCMCI（Peter and Clark Momentary Conditional Independence）手法を特定しました。このアプローチは、出版済みの手法との高いスピアマン相関（$\rho=0.729$）で半球間結合信号を成功裡に分離し、行動結果に対する予測能力も同等でした。
4. オリゴヌクレオチド特性予測：チェス戦術を創薬に写像することで、AR は段階的評価を伴うピース・スクエア・テーブル（PST）を提案しました。この手法は、6 つのデータセットのうち 2 つでオリゴヌクレオチド特性予測において最先端の性能を確立し、位置依存効果を符号化することで線形ベースラインを改善しました。

重要性

本論文は、類推推論を自律科学の未来における重要な「多様性エンジン」として位置づけています。著者らは、AI システムが科学のパイプラインのより多くの部分を担うにつれ、フレームワークは標準的な解決策への収束を避けるように進化しなければならないと論じます。AR は、LLM が持つクロスドメイン推論を行う潜在的な能力を活用することで、既存の解決策生成手法の探索空間を拡張する役割を果たします。

この研究は、AR が理論的に妥当であるだけでなく、実用的に実現可能であり、現実世界のバイオメディカル文脈で実装および検証可能な高品質で新規な解決策を生み出すことを実証しています。著者らは、このアプローチは計算コストが低い（問題あたり約 0.02 ドル）ためスケーラブルであると指摘しています。現在の評価はバイオメディカル問題に限定されていますが、このフレームワークはドメインに依存しないため、科学分野全体に広く適用可能であることが示唆されます。論文は、新規仮説の生成に厳格な安全性と実現可能性の評価が伴う限り、AR は孤立したドメインを架橋して科学イノベーションを推進するための重要な一歩であると結論付けています。