LLM이 개방형 과학 문제에서 저다양성 생성으로 수렴하는 모드 붕괴 경향을 정량화하고, 이를 완화하기 위해 관계 구조 기반 교차 도메인 유추를 활용하는 유추적 추론(AR)을 도입합니다. AR은 기준선 대비 솔루션 다양성을 90~173% 향상시키고 50% 이상의 신규 해결책을 생성합니다. 4개 바이오메디컬 문제 실제 구현으로 분배 지표 13배 향상 등 정량적 성과를 확인했습니다.
- •LLM은 개방형 과학 문제에서 저다양성 모드 붕괴 경향을 보이며 AR이 이를 효과적으로 완화합니다.
- •AR은 관계 구조 기반 교차 도메인 유추를 생성하여 새로운 해결책 탐색에 활용합니다.
- •기준선 대비 솔루션 다양성 90~173% 향상, 신규 해결책 비율 50% 이상(vs. 기준선 1.6%)을 달성합니다.
- •4개 바이오메디컈 문제 실제 구현에서 분배 지표 13배 향상 등 정량적 성과를 확인했습니다.
Unlocking LLM Creativity in Science through Analogical Reasoning
- 1.유추 추론(AR)으로 LLM의 모드 붕괴 문제를 완화하고 솔루션 다양성을 90~173% 향상
- 2.교차 도메인 유추를 통해 50% 이상의 새로운 솔루션 생성 가능
- 3.4개 생의학 문제에 AR 생성 솔루션 실제 적용하여 정량적 성과 확인
- 4.올리고뉴클레오타이드 특성 예측에서 최첨단 성능 달성
왜 중요한가?
LLM이 반복적 패턴에 갇히지 않고 진정으로 새로운 과학적 솔루션을 생성할 수 있는 방법론을 제시하여, 자율 과학 연구 분야에서 AI의 실질적 기여 가능성을 확장한다.
본문 미리보기
arXiv:2605.11258v1 Announce Type: new 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 appr
전체 내용이 궁금하다면?
원문을 직접 읽어보세요