通过类比推理释放LLM在科学中的创造力

自主科学有望增强科学发现，尤其是在生物医学这类复杂领域。然而，这要求AI系统能够持续为开放式问题生成新颖且多样的解决方案。我们在开放式解决方案生成任务上评估了LLM，并量化了其模式坍缩为低多样性生成的倾向。为缓解这种模式坍缩，我们引入类比推理（AR）作为一种新的解决方案生成方法。AR基于共享的关系结构生成面向跨领域问题的类比，然后利用这些类比来搜索新颖的解决方案。与基线相比，AR发现的生成结果显著更加多样（将解决方案多样性指标提升90-173%），在超过50%的情况下生成新颖解决方案（而基线最低仅为1.6%），并能产出高质量的类比。为验证AR的现实可行性，我们在四个生物医学问题上实现了AR生成的解决方案，取得了持续一致的定量增益。AR生成的方法在扰动效应预测的分布指标上取得近13倍的提升，在预测细胞间通信时于AUPRC上超越所有基线，以与已发表方法较高的Spearman相关系数（$ρ$=0.729）推断脑区相互作用，并在寡核苷酸性质预测的2个数据集上确立了最先进的性能。AR产生的新颖多样解决方案可用于扩充现有解决方案生成方法的搜索空间。