Versnelling van wetenschappelijk onderzoek met Gemini: casestudy's en veelgebruikte technieken
Accelerating Scientific Research with Gemini: Case Studies and Common Techniques
February 3, 2026
Auteurs: 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
Samenvatting
Recente vooruitgang in grote taalmodellen (LLM's) heeft nieuwe mogelijkheden geopend om wetenschappelijk onderzoek te versnellen. Hoewel modellen in toenemende mate in staat zijn om te assisteren bij routinematige taken, is hun vermogen om bij te dragen aan nieuwe, expert-level wiskundige ontdekkingen minder goed begrepen. Wij presenteren een reeks casestudies die aantonen hoe onderzoekers met succes hebben samengewerkt met geavanceerde AI-modellen, specifiek Google's op Gemini gebaseerde modellen (met name Gemini Deep Think en zijn geavanceerde varianten), om open problemen op te lossen, vermoedens te weerleggen en nieuwe bewijzen te genereren op diverse gebieden binnen de theoretische informatica, evenals andere gebieden zoals economie, optimalisatie en natuurkunde. Op basis van deze ervaringen destilleren we gemeenschappelijke technieken voor effectieve mens-AI-samenwerking in theoretisch onderzoek, zoals iteratieve verfijning, probleemdecompositie en interdisciplinaire kennisoverdracht. Hoewel de meerderheid van onze resultaten voortkomt uit deze interactieve, conversatiemethode, belichten we ook specifieke gevallen die verder gaan dan standaard chat-interfaces. Deze omvatten het inzetten van het model als een rigoureuze adversariële reviewer om subtiele fouten in bestaande bewijzen op te sporen, en het inbedden ervan in een "neuro-symbolische" lus die autonoom code schrijft en uitvoert om complexe afleidingen te verifiëren. Samen illustreren deze voorbeelden het potentieel van AI niet alleen als een tool voor automatisering, maar als een veelzijdige, authentieke partner in het creatieve proces van wetenschappelijke ontdekking.
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.