通过类比推理 unlocking LLM 在科学中的创造力

自主式科学旨在增强复杂领域（如生物医药）的科学发现，然而这需要AI系统能够持续生成新颖且多样化的解决方案。我们评估了大语言模型（LLM）在开放式解决方案生成任务中的表现，量化了其对模式坍缩（mode collapse）的倾向，即倾向于生成低多样性的输出。为缓解这种模式坍缩，我们引入类比推理（analogical reasoning, AR）作为一种新的解决方案生成方法。AR通过基于共享关系结构生成跨领域问题的类比，然后利用这些类比来搜索新解决方案。与基线方法相比，AR显著提高了解决方案的多样性（提升多样性指标90-173%），在50%以上的情况下生成新颖的解决方案（基线仅为1.6%），并产生高质量的类比。为验证AR在现实世界中的可行性，我们在四个生物医学问题上实现了AR生成的解决方案，实现了一致的量化提升。AR生成的方案在扰动效应预测上实现了近乎13倍的分布指标改善，在细胞间通讯预测中超越所有基线方法在AUPRC上表现突出，在推断脑区相互作用时实现了与已发布方法高度相关性（$\rho$=0.729），并在两组数据集上在核糖腺核苷酸性质预测上实现了最新成果。AR产生的新颖且多样化的解决方案可用于扩充现有解决方案生成方法的搜索空间。