🤖 AI

Unlocking LLM Creativity in Science through Analogical Reasoning

Dit artikel introduceert analogisch redeneren als een nieuwe aanpak om modusinstorting in grote taalmodellen te beperken, en toont aan dat dit de diversiteit en originaliteit van gegenereerde wetenschappelijke oplossingen aanzienlijk verbetert terwijl het tegelijkertijd state-of-the-art prestaties behaalt op meerdere biomedische taken.

Oorspronkelijke auteurs: Andrew Shen, Shaul Druckmann, James Zou

Gepubliceerd 2026-05-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andrew Shen, Shaul Druckmann, James Zou

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een wetenschapper bent die probeert een zeer moeilijk raadsel op te lossen. Je vraagt een superintelligente AI-assistent om ideeën over hoe het op te lossen. Helaas blijft de AI steeds dezelfde vijf antwoorden geven, telkens weer, alleen iets anders geformuleerd. Het is alsof je een chef vraagt om 100 verschillende dinerideeën, en die blijft "Spaghetti" voorstellen, maar het "Pasta", "Noodles" of "Italiaanse Strengen" noemt. In de wereld van AI heet dit mode collapse. De AI raakt in een sleur en stopt met creatief zijn.

Dit artikel, getiteld "Unlocking LLM Creativity in Science through Analogical Reasoning", stelt een slimme nieuwe manier voor om de AI uit die sleur te halen. De auteurs, van Stanford University, suggereren de AI te leren denken als een metafoormaker.

Het Probleem: De "Echo Chamber" van de AI

Wanneer wetenschappers de AI vragen nieuwe ideeën te genereren voor complexe problemen (zoals hoe men een virus kan stoppen of hoe een cel reageert op een medicijn), neigt de AI om lui te worden. Het pakt de bekendste, meest voor de hand liggende oplossingen die het kent en herhaalt ze.

Het Resultaat: Als je 100 keer vraagt, krijg je misschien 95 antwoorden die in feite hetzelfde zijn.
Het Gevolg: Je mist de rare, wilde en potentieel briljante ideeën die het probleem daadwerkelijk zouden kunnen oplossen.

De Oplossing: De "Cross-Domain Detective"

De auteurs introduceren een methode genaamd Analogical Reasoning (AR). In plaats van de AI simpelweg te vragen "Hoe los ik dit op?", vragen ze het om een spelletje te spelen van "Waar lijkt dit op?".

Stel het je zo voor:

De Oude Manier: Je vraagt een monteur: "Hoe repareer je een kapotte motor?" De monteur kijkt naar motoren en stelt standaardreparaties voor.
De Nieuwe Manier (AR): Je vraagt de monteur: "Hoe repareer je een kapotte motor? Stel je nu voor dat deze motor eigenlijk een file is in een drukke stad. Hoe zou een verkeersingenieur de file oplossen? Neem nu die verkeersoplossing en pas die terug toe op de motor."

De AI wordt getraind om:

Te zoeken naar de verborgen structuur: Het negeert de oppervlakkige details (zoals "cellen" of "auto's") en kijkt naar de relaties (zoals "dingen die zich verplaatsen door een overvolle ruimte" of "signalen die geblokkeerd worden").
Over te springen naar een totaal andere wereld: Het vindt een probleem in een volledig ander vakgebied (zoals economie, schaken of seismologie) dat dezelfde verborgen structuur heeft.
De oplossing te stelen: Het neemt de oplossing uit dat andere vakgebied en vertaalt die terug naar het oorspronkelijke wetenschappelijke probleem.

Reële Voorbeelden uit het Artikel

Het artikel laat zien dat dit niet zomaar theorie is; ze hebben het daadwerkelijk gebruikt om echte biomedische problemen op te lossen. Hier zijn twee voorbeelden van hoe de AI "buiten de kaders" dacht:

1. De "Economie"-Medicijnoplossing

Het Probleem: Wetenschappers probeerden te voorspellen hoe individuele cellen reageren op medicijnen. De AI bleef modellen voorstellen die alleen de gemiddelde reactie voorspelden, en miste het unieke gedrag van individuele cellen.
De Analogie: De AI besefte dat dit leek op Economie. Net zoals een enkele consument anders reageert op een prijsverhoging dan de "gemiddelde" consument, reageert een enkele cel anders op een medicijn.
Het Resultaat: De AI stelde voor een statistisch hulpmiddel uit de economie te gebruiken, genaamd Finite Mixture Models. Toen ze dit testten, werkte het ongelooflijk goed en voorspelde het het gedrag van individuele cellen veel beter dan eerdere methoden.

2. De "Schaken"-DNA-oplossing

Het Probleem: Wetenschappers probeerden de eigenschappen van korte DNA-ketens te voorspellen. De AI bleef modellen voorstellen die negeerden waar een specifiek stukje DNA zich bevond in de keten.
De Analogie: De AI besefte dat dit leek op Schaken. In schaken is een pion zwak in het midden van het bord, maar sterk bij de rand. Zijn waarde hangt volledig af van zijn positie.
Het Resultaat: De AI stelde voor Piece-Square Tables te gebruiken (een schaakstrategie die stukken waarde toekent op basis van hun positie op het bord). Het toepassen hiervan op DNA liet de modellen toe te begrijpen dat de positie van een genetische sequentie uitmaakt, wat leidde tot state-of-the-art resultaten.

Wat Vonden Ze?

De auteurs testten deze methode tegenover standaard AI-benaderingen en vonden:

Meer Variatie: De AI genereerde oplossingen die 90% tot 173% diverser waren. Het stopte met het herhalen van dezelfde "Spaghetti"-antwoorden.
Meer Nieuwheid: Meer dan 50% van de oplossingen die door deze methode werden gegenereerd, waren echt nieuwe ideeën (in vergelijking met minder dan 2% voor standaard AI).
Echt Succes: Toen ze deze nieuwe ideeën daadwerkelijk bouwden en testten in het lab (of via computersimulatie), presteerden ze consequent beter dan bestaande methoden bij het voorspellen van celgedrag, herseninteracties en medicijneigenschappen.

De Conclusie

Dit artikel betoogt dat we, om AI een echte partner te maken in wetenschappelijke ontdekking, niet kunnen volstaan met het laten zoeken naar antwoorden in zijn eigen "bibliotheek". We moeten het dwingen om uit het raam te kijken, te zien hoe een file werkt of hoe een schaakpartij wordt gespeeld, en dan vragen: "Hoe helpt dat ons om ons wetenschappelijke probleem op te lossen?"

Door het gebruik van analogieën stopt de AI met een saaie kloon te zijn en begint het te handelen als een creatieve uitvinder, die de kloof overbrugt tussen ongerelateerde vakgebieden om oplossingen te vinden die mensen misschien hadden gemist.

Technische Samenvatting: Het Ontgrendelen van LLM-Creativiteit in de Wetenschap door Analogisch Redeneren

Probleemstelling

Autonome wetenschappelijke ontdekking, met name in complexe gebieden zoals biomedische wetenschappen, is afhankelijk van AI-systemen die in staat zijn om nieuwe en diverse oplossingen te genereren voor open-ended problemen. Echter, huidige Large Language Models (LLM's) vertonen een aanzienlijke neiging tot mode collapse wanneer ze worden belast met het genereren van open-ended oplossingen. In plaats van een brede zoekruimte te verkennen, convergeren LLM's naar semantisch vergelijkbare, hoogstwaarschijnlijke generaties (vaak canonieke oplossingen zoals AlphaFold voor eiwitvouwing), wat de diversiteit van potentiële ontdekkingen ernstig beperkt. Dit gebrek aan diversiteit belemmert het vermogen van AI-systemen om effectieve motoren te zijn voor autonome wetenschap, aangezien onderzoekers een breed scala aan kandidaatoplossingen nodig hebben om problemen vanuit meerdere hoeken aan te pakken en voortijdige convergentie op bestaande paradigma's te vermijden.

Methodologie

De auteurs introduceren Analogisch Redeneren (AR) als een gestructureerde aanpak om mode collapse te mitigeren en de diversiteit van oplossingen te vergroten. De methodologie is gebaseerd op de structuur-mappingtheorie uit de cognitieve wetenschap, die analogieën definieert als mappingen van gedeelde relationele structuren tussen een basisdomein en een doeldomein, in plaats van oppervlakkige objectgelijkenissen.

De AR-pijplijn werkt als een tweestapsproces:

Extractie: Gegeven een onderzoeksprobleem $p$ , extrahert een LLM-agent de set objecten ( $O_p$ ) en relaties ( $R_p$ ) die inherent zijn aan het probleem. Vervolgens genereert het analogieën met onderzoeksproblemen uit andere domeinen die vergelijkbare relationele structuren delen. Deze analogieën worden geformaliseerd als object-mappingen ( $M$ ) tussen het probleemdomein en een analoog domein, en een set gedeelde relaties ( $R_a$ ).
Zoeken: Een tweede LLM-agent gebruikt de gegenereerde analogie (specifiek de object-mappingen en gedeelde relaties) om bestaande oplossingen, algoritmen of methoden binnen het analoge domein te zoeken. De agent wordt gevraagd oplossingen te vinden die de gedeelde relationele structuur adresseren en die terug kunnen worden overgebracht naar het oorspronkelijke biomedische probleem.

Deze aanpak wordt vergeleken met twee baselines:

Geen-domein Baseline: Vraagt de LLM direct om oplossingen te vinden zonder domeinbeperkingen.
Cross-domein Baseline: Vraagt de LLM om oplossingen te vinden uit andere domeinen, maar zonder expliciet de intermediaire analogische structuur (object-mappingen en gedeelde relaties) te genereren.

De evaluatie maakt gebruik van 50 onderzoeksproblemen die zijn bemonsterd uit een samengestelde "AR Dataset" van 266 biomedische papers die cross-domein analogieën gebruikten. De studie hanteert drie LLM's (Claude Sonnet 4.5, GPT-5.2 en Gemini 3 Flash) en evalueert de output op drie assen: generatiediversiteit, oplossingnoviteit en analogiekwaliteit.

Belangrijkste Bijdragen

Kwantificering van Mode Collapse: Het paper biedt de eerste systematische kwantificering van mode collapse in open-ended wetenschappelijke oplossingsgeneratie, en toont aan dat baseline LLM's output produceren met lage diversiteit die convergeert naar een smal scala aan hoogstwaarschijnlijke oplossingen.
Analogisch Redeneren Kader: De auteurs stellen AR voor en implementeren het als een specifiek mechanisme om de zoekruimte voor oplossingen te vergroten. Door het model te dwingen expliciet relationele structuren over uiteenlopende domeinen te mappen, leidt AR de zoektocht naar nieuwe, niet-voor de hand liggende oplossingen.
Menselijke en Geautomatiseerde Validatie: De studie valideert de noviteit en kwaliteit van door AR gegenereerde oplossingen via zowel door LLM's beoordeelde metrieken als menselijke annotatiestudies, waarbij een sterke overeenkomst wordt aangetoond tussen geautomatiseerde scores en expertoordeel.
Haalbaarheid in de Wereld: De auteurs demonstreren de praktische bruikbaarheid van AR door vier verschillende biomedische casestudies te implementeren, waaruit blijkt dat door AR gegenereerde benaderingen state-of-the-art of concurrerende prestaties kunnen behalen op real-world taken.

Resultaten

Diversiteit en Noviteit

Mitigatie van Mode Collapse: AR presteert aanzienlijk beter dan baselines op het gebied van generatiediversiteit. Het verbetert de Domain Vendi Score (een metriek voor semantische diversiteit) met 100–115% en de Solution Vendi Score met 90–173% ten opzichte van baselines.
Noviteit: AR genereert nieuwe oplossingen in meer dan 50% van de gevallen (variërend van 50,4% tot 68,9% afhankelijk van de LLM), terwijl de no-domain baseline zelden nieuwe oplossingen vindt (zo laag als 1,6%). In een menselijke pairwise preference studie werden AR-oplossingen 78% van de tijd als nieuwer beoordeeld dan cross-domein baseline oplossingen.
Analogiekwaliteit: AR genereert analogieën met aanzienlijk hogere Domain Distance (3x hoger dan de no-domain baseline) en Noviteit-scores, wat aangeeft dat AR succesvol sterk uiteenlopende velden overbrugt (bijvoorbeeld systeembiologie en economie, medicijnontwerp en schaaktactieken).

Prestaties Casestudies

De auteurs implementeerden door AR gegenereerde oplossingen voor vier biomedische problemen, wat leidde tot consistente kwantitatieve winsten:

Voorspelling van Perturbatie-effecten: Door systeembiologie te mappen op economie, stelde AR het gebruik voor van Finite Mixture Models (FMM). Deze aanpak bereikte een bijna 13-voudige verbetering op de MMD PCA distributiemetriek (verlaging van de score van 1,65 naar 0,13) ten opzichte van de Latent Additive (LA) baseline, waardoor single-cell heterogeniteit beter wordt vastgelegd.
Inferentie van Cel-Cel Communicatie: Door telecommunicatie te mappen op biologie, stelde AR een Signal-to-Noise Ratio (SNR) analyse voor. Deze methode bereikte state-of-the-art prestaties op de AUPRC-metriek (0,248) voor de OpenProblems ligand-doel benchmark, en presteerde beter dan 14 bestaande baselines.
Interactie Hersengebieden: Door communicatienetwerken te mappen op neurowetenschappen, identificeerde AR de PCMCI (Peter and Clark Momentary Conditional Independence) methode. Deze aanpak isoleerde succesvol koppelingssignalen tussen de hemisferen met een hoge Spearman-correlatie ( $\rho=0,729$ ) met gepubliceerde methoden en vergelijkbare voorspellende kracht voor gedragsuitkomsten.
Voorspelling van Oligonucleotide-eigenschappen: Door schaaktactieken te mappen op medicijnontwerp, stelde AR Piece-Square Tables (PST) met aflopende evaluatie voor. Deze methode vestigde state-of-the-art prestaties op 2 van de 6 datasets voor oligonucleotide-eigenschapsvoorspelling, en verbeterde lineaire baselines door positie-afhankelijke effecten te coderen.

Betekenis

Het paper positioneert Analogisch Redeneren als een cruciale "diversiteitsmotor" voor de toekomst van autonome wetenschap. De auteurs betogen dat naarmate AI-systemen meer van de wetenschappelijke pijplijn overnemen, kaders moeten evolueren om convergentie op canonieke oplossingen te vermijden. AR dient om de zoekruimte van bestaande oplossingsgeneratiemethoden te vergroten door gebruik te maken van het latente vermogen van LLM's om cross-domein redenering uit te voeren.

Het werk toont aan dat AR niet alleen theoretisch onderbouwd is, maar ook praktisch haalbaar, en dat het hoogwaardige, nieuwe oplossingen produceert die kunnen worden geïmplementeerd en gevalideerd in real-world biomedische contexten. De auteurs merken op dat de aanpak computatieel goedkoop is (ongeveer $0,02 per probleem), waardoor het schaalbaar is. Hoewel de huidige evaluatie is beperkt tot biomedische problemen, is het kader domein-agnostisch, wat wijst op brede toepasbaarheid over wetenschappelijke disciplines heen. Het paper concludeert dat AR een vitale stap vertegenwoordigt in het overbruggen van geïsoleerde domeinen om wetenschappelijke innovatie te stimuleren, mits er rigorose veiligheids- en haalbaarheidsevaluaties gepaard gaan met het genereren van nieuwe hypothesen.