Beschleunigung wissenschaftlicher Forschung mit Gemini: Fallstudien und gängige Techniken
Accelerating Scientific Research with Gemini: Case Studies and Common Techniques
February 3, 2026
papers.authors: David P. Woodruff, Vincent Cohen-Addad, Lalit Jain, Jieming Mao, Song Zuo, MohammadHossein Bateni, Simina Branzei, Michael P. Brenner, Lin Chen, Ying Feng, Lance Fortnow, Gang Fu, Ziyi Guan, Zahra Hadizadeh, Mohammad T. Hajiaghayi, Mahdi JafariRaviz, Adel Javanmard, Karthik C. S., Ken-ichi Kawarabayashi, Ravi Kumar, Silvio Lattanzi, Euiwoong Lee, Yi Li, Ioannis Panageas, Dimitris Paparas, Benjamin Przybocki, Bernardo Subercaseaux, Ola Svensson, Shayan Taherijam, Xuan Wu, Eylon Yogev, Morteza Zadimoghaddam, Samson Zhou, Vahab Mirrokni
cs.AI
papers.abstract
Jüngste Fortschritte bei großen Sprachmodellen (LLMs) haben neue Wege zur Beschleunigung der wissenschaftlichen Forschung eröffnet. Während Modelle zunehmend in der Lage sind, bei Routineaufgaben zu unterstützen, ist ihr Potenzial, zu neuartigen, experten-level mathematischen Entdeckungen beizutragen, weniger gut verstanden. Wir präsentieren eine Sammlung von Fallstudien, die demonstrieren, wie Forscher erfolgreich mit fortschrittlichen KI-Modellen, insbesondere Googles Gemini-basierten Modellen (insbesondere Gemini Deep Think und seinen erweiterten Varianten), zusammengearbeitet haben, um offene Probleme zu lösen, Vermutungen zu widerlegen und neue Beweise in verschiedenen Bereichen der theoretischen Informatik sowie in anderen Gebieten wie Wirtschaftswissenschaften, Optimierung und Physik zu generieren. Aufbauend auf diesen Erfahrungen leiten wir gemeinsame Techniken für eine effektive Mensch-KI-Kollaboration in der theoretischen Forschung ab, wie iterative Verfeinerung, Problemzerlegung und interdisziplinären Wissenstransfer. Während die Mehrheit unserer Ergebnisse aus dieser interaktiven, konversationellen Methodik stammt, heben wir auch spezifische Beispiele hervor, die über Standard-Chat-Schnittstellen hinausgehen. Dazu gehört der Einsatz des Modells als rigoroser gegnerischer Gutachter, um subtile Fehler in bestehenden Beweisen aufzudecken, sowie seine Einbettung in eine "neuro-symbolische" Schleife, die autonom Code schreibt und ausführt, um komplexe Ableitungen zu verifizieren. Zusammengenommen unterstreichen diese Beispiele das Potenzial von KI nicht nur als Werkzeug zur Automatisierung, sondern als vielseitiger, echter Partner im kreativen Prozess der wissenschaftlichen Entdeckung.
English
Recent advances in large language models (LLMs) have opened new avenues for accelerating scientific research. While models are increasingly capable of assisting with routine tasks, their ability to contribute to novel, expert-level mathematical discovery is less understood. We present a collection of case studies demonstrating how researchers have successfully collaborated with advanced AI models, specifically Google's Gemini-based models (in particular Gemini Deep Think and its advanced variants), to solve open problems, refute conjectures, and generate new proofs across diverse areas in theoretical computer science, as well as other areas such as economics, optimization, and physics. Based on these experiences, we extract common techniques for effective human-AI collaboration in theoretical research, such as iterative refinement, problem decomposition, and cross-disciplinary knowledge transfer. While the majority of our results stem from this interactive, conversational methodology, we also highlight specific instances that push beyond standard chat interfaces. These include deploying the model as a rigorous adversarial reviewer to detect subtle flaws in existing proofs, and embedding it within a "neuro-symbolic" loop that autonomously writes and executes code to verify complex derivations. Together, these examples highlight the potential of AI not just as a tool for automation, but as a versatile, genuine partner in the creative process of scientific discovery.