<p>Large Language Models können bekannte Inhalte geschickt kombinieren, doch sie scheitern häufig daran, wirklich neue und zugleich zusammenhängende Forschungsideen zu generieren. In der Studie wird dieses Defizit als „kognitive Verfügbarkeit“ bezeichnet – die Wahrscheinlichkeit, dass ein Forschungsthema von einem typischen Forscher spontan vorgeschlagen wird.</p>

Um dieses Problem anzugehen, wird ein dreistufiger Prozess vorgestellt: Erst werden wissenschaftliche Arbeiten in kleine, inhaltlich zusammenhängende Einheiten zerlegt. Diese Einheiten werden anschließend zu einem gemeinsamen Vokabular von „Idee‑Atomen“ zusammengefasst. Schließlich werden zwei Modelle trainiert – ein Kohärenzmodell, das bewertet, ob eine Kombination von Atomen ein plausibles Forschungsthema bildet, und ein Verfügbarkeitsmodell, das die Wahrscheinlichkeit einschätzt, dass ein solches Thema von der aktuellen Forschungsgemeinschaft vorgeschlagen wird.

Mit diesen Modellen werden nun „Alien“-Richtungen erzeugt, die zwar hochgradig kohärent sind, aber von der Community als unwahrscheinlich gelten. Die Methode wurde auf rund 7.500 aktuellen LLM‑Papers aus NeurIPS, ICLR und ICML getestet.

Die Ergebnisse zeigen, dass die konzeptuellen Einheiten den Inhalt der Originalarbeiten zuverlässig rekonstruieren, die Idee‑Atome über verschiedene Arbeiten hinweg generalisieren und der Alien‑Sampler Forschungsideen liefert, die deutlich vielfältiger sind als die von Standard‑LLM‑Modellen erzeugten Vorschläge, ohne dabei an Kohärenz einzubüßen.

Diese Technik eröffnet Forschern die Möglichkeit, bislang unerforschte, aber potenziell bahnbrechende Richtungen zu entdecken und damit die Innovationskraft in der Wissenschaft nachhaltig zu steigern.