제미니를 활용한 과학 연구 가속화: 사례 연구 및 일반 기법

Accelerating Scientific Research with Gemini: Case Studies and Common Techniques

February 3, 2026

저자: 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

초록

대규모 언어 모델(LLM)의 최근 발전은 과학적 연구 가속화를 위한 새로운 길을 열었습니다. 일상적인 업무 지원에 대한 모델의 능력은 점차 향상되고 있으나, 전문가 수준의 새로운 수학적 발견에 기여할 수 있는 능력에 대해서는 덜 알려져 있습니다. 본 논문에서는 연구자들이 고도화된 AI 모델, 특히 Google의 Gemini 기반 모델(특히 Gemini Deep Think 및 그 고급 변형)과 성공적으로 협력하여 이론 컴퓨터 과학은 물론 경제학, 최적화, 물리학 등 다양한 분야의 미해결 문제를 해결하고 추측을 반증하며 새로운 증명을 생성한 사례 연구 모음을 제시합니다. 이러한 경험을 바탕으로 이론 연구에서 효과적인 인간-AI 협력을 위한 반복적 정제, 문제 분해, 학제 간 지식 전환 등의 공통 기법을 도출합니다. 우리의 결과 대부분은 이러한 대화형 상호작용 방법론에서 비롯되었지만, 표준 채팅 인터페이스를 넘어서는 특정 사례들도 강조합니다. 여기에는 모델을 엄격한 적대적 검토자로 활용하여 기존 증명의 미묘한 오류를 탐지하거나, 복잡한 연산 검증을 위해 코드를 자율적으로 작성하고 실행하는 "신경-기호" 루프에 모델을 내재시키는 경우가 포함됩니다. 이러한 사례들은 AI가 단순한 자동화 도구가 아닌, 과학적 발견이라는 창의적 과정에서 다재다능하고 진정한 협력자로서의 잠재력을 부각시킵니다.

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.