Accélérer la recherche scientifique avec Gemini : études de cas et techniques courantes
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
Les progrès récents des grands modèles de langage (LLM) ouvrent de nouvelles voies pour accélérer la recherche scientifique. Si ces modèles sont de plus en plus capables d'assister dans les tâches routinières, leur capacité à contribuer à des découvertes mathématiques novatrices de niveau expert reste moins bien comprise. Nous présentons une série d'études de cas démontrant comment des chercheurs ont collaboré avec succès avec des modèles d'IA avancés, spécifiquement les modèles de Google basés sur Gemini (en particulier Gemini Deep Think et ses variantes avancées), pour résoudre des problèmes ouverts, réfuter des conjectures et générer de nouvelles preuves dans divers domaines de l'informatique théorique, ainsi que dans d'autres domaines tels que l'économie, l'optimisation et la physique. Forts de ces expériences, nous identifions des techniques communes pour une collaboration humain-IA efficace dans la recherche théorique, telles que l'affinage itératif, la décomposition des problèmes et le transfert de connaissances interdisciplinaires. Bien que la majorité de nos résultats proviennent de cette méthodologie interactive et conversationnelle, nous soulignons également des cas spécifiques qui vont au-delà des interfaces de chat standard. Ceux-ci incluent le déploiement du modèle en tant qu'examinateur antagoniste rigoureux pour détecter des failles subtiles dans des preuves existantes, et son intégration dans une boucle « neuro-symbolique » qui écrit et exécute de manière autonome du code pour vérifier des dérivations complexes. Ensemble, ces exemples soulignent le potentiel de l'IA non seulement en tant qu'outil d'automatisation, mais aussi en tant que partenaire polyvalent et authentique dans le processus créatif de la découverte scientifique.
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.