Accelerare la ricerca scientifica con Gemini: casi di studio e tecniche comuni
Accelerating Scientific Research with Gemini: Case Studies and Common Techniques
February 3, 2026
Autori: 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
Abstract
I recenti progressi nei grandi modelli linguistici (LLM) hanno aperto nuove strade per accelerare la ricerca scientifica. Sebbene i modelli siano sempre più capaci di assistere in compiti di routine, la loro abilità di contribuire a scoperte matematiche nuove e di livello esperto è meno compresa. Presentiamo una raccolta di studi di caso che dimostrano come i ricercatori abbiano collaborato con successo con modelli di IA avanzati, in particolare i modelli basati su Gemini di Google (in particolare Gemini Deep Think e le sue varianti avanzate), per risolvere problemi aperti, confutare congetture e generare nuove dimostrazioni in diverse aree dell'informatica teorica, nonché in altri campi come l'economia, l'ottimizzazione e la fisica. Sulla base di queste esperienze, estraiamo tecniche comuni per una collaborazione efficace uomo-IA nella ricerca teorica, come il perfezionamento iterativo, la scomposizione dei problemi e il trasferimento di conoscenze interdisciplinari. Sebbene la maggior parte dei nostri risultati derivi da questa metodologia interattiva e conversazionale, evidenziamo anche casi specifici che vanno oltre le interfacce di chat standard. Questi includono l'utilizzo del modello come un rigoroso revisore avversario per rilevare errori sottili in dimostrazioni esistenti e la sua integrazione in un ciclo "neuro-simbolico" che scrive ed esegue autonomamente codice per verificare derivazioni complesse. Insieme, questi esempi evidenziano il potenziale dell'IA non solo come strumento per l'automazione, ma come un partner versatile e genuino nel processo creativo della scoperta scientifica.
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.