Ускорение научных исследований с помощью Gemini: примеры из практики и распространенные методы
Accelerating Scientific Research with Gemini: Case Studies and Common Techniques
February 3, 2026
Авторы: 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
Аннотация
Последние достижения в области больших языковых моделей (LLM) открыли новые пути для ускорения научных исследований. Хотя модели становятся все более способными помогать в решении рутинных задач, их способность вносить вклад в новейшие, экспертные математические открытия изучена меньше. Мы представляем серию кейс-стади, демонстрирующих, как исследователи успешно сотрудничали с продвинутыми моделями ИИ, в частности с моделями на базе Google Gemini (особенно Gemini Deep Think и его расширенными вариантами), для решения открытых проблем, опровержения гипотез и генерации новых доказательств в различных областях теоретической информатики, а также в других сферах, таких как экономика, оптимизация и физика. На основе этого опыта мы выявляем общие методы эффективного сотрудничества человека и ИИ в теоретических исследованиях, такие как итеративное уточнение, декомпозиция проблем и междисциплинарный перенос знаний. Хотя большинство наших результатов получено с помощью этого интерактивного, разговорного метода, мы также выделяем конкретные примеры, выходящие за рамки стандартных чат-интерфейсов. К ним относятся использование модели в качестве строгого рецензента-оппонента для выявления скрытых недостатков в существующих доказательствах и ее встраивание в «нейросимволический» цикл, который автономно пишет и исполняет код для проверки сложных выводов. Вместе эти примеры подчеркивают потенциал ИИ не просто как инструмента автоматизации, но как универсального, подлинного партнера в творческом процессе научного открытия.
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.