Het artikel introduceert het concept van de 'buitenaardse ruimte van de wetenschap' (alien space of science). Dit betreft onderzoeksrichtingen die wetenschappelijk coherent en plausibel zijn, maar die door menselijke onderzoekers (en huidige taalmodellen) over het hoofd worden gezien omdat ze niet passen binnen de huidige cognitieve beschikbaarheid of bestaande intuïties van onderzoeksgemeenschappen.
De voorgestelde methodologie bestaat uit vier stappen:
- Decompositie: Papers worden opgesplitst in conceptuele 'idee-atomen'.
- Coherentiemodel: Er wordt gescoord of combinaties van deze atomen levensvatbare richtingen vormen.
- Beschikbaarheidsmodel: Er wordt bepaald of huidige gemeenschappen in staat zijn deze richtingen te produceren.
- Rangschikking: Ideeën worden geselecteerd op basis van maximale coherentie en minimale beschikbaarheid.
Resultaten: De methode is gevalideerd met ruim 16.000 papers van conferenties zoals NeurIPS, ICLR en ICML. De resultaten tonen aan dat de sampler diversere en kwalitatief gelijkwaardige of betere ideeën produceert dan geavanceerde LLM-baselines. Daarnaast kon het systeem nieuwe combinaties uit 2025 met aanzienlijke nauwkeurigheid voorspellen met data van vóór die periode. De auteurs concluderen dat AI-ideatie de menselijke wetenschap kan aanvullen door exploratie mogelijk te maken in gebieden die anders genegeerd zouden blijven.
De Buitenaardse Ruimte van de Wetenschap: Het Samplen van Coherente maar Cognitief Onbeschikbare Onderzoeksrichtingen
Publicatie: Advances in Neural Information Processing Systems, NeurIPS 2026 Main Track
Abstract
Wetenschappelijke ontdekking wordt niet alleen beperkt door wat waar is, maar ook door wat cognitief beschikbaar is voor onderzoekers. Veel richtingen zijn coherent in het licht van de bestaande literatuur, maar het is onwaarschijnlijk dat ze worden voorgesteld omdat geen enkele bestaande gemeenschap de relevante concepten, methoden en intuïties combineert. Moderne taalmodellen erven deze bias over; wanneer zij worden gevraagd om nieuwe ideeën, recombineren ze voornamelijk regio's met een hoge dichtheid in de literatuur.
Wij richten ons op de complementaire regio, de "buitenaardse ruimte van de wetenschap" (alien space of science): richtingen die wetenschappelijk plausibel zijn, maar onwaarschijnlijk binnen de huidige distributie van bestaande onderzoekers.
Methodologie
Onze methode werkt als volgt:
- Decompositie: Papers worden ontleed in conceptuele eenheden en geclusterd in een vocabulaire van "idee-atomen".
- Coherentiemodel: Dit model scoort of combinaties van atomen levensvatbare onderzoeksrichtingen vormen.
- Beschikbaarheidsmodel: Dit model scoort of een bestaande gemeenschap van auteurs in staat is om deze richtingen te produceren.
- Rangschikking: We rangschikken de combinaties zodanig dat de coherentie wordt gemaximaliseerd, terwijl de beschikbaarheid wordt geminimaliseerd.
Resultaten en Validatie
De methode is getest op 16.068 peer-reviewed LLM-papers van NeurIPS, ICLR, ICML en belangrijke NLP-fora. De resultaten tonen het volgende aan:
- Diversiteit: De sampler produceert diversere onderzoeksportefeuilles dan geavanceerde LLM-baselines (inclusief batch-prompted varianten die hun eigen volledige output kunnen inzien).
- Kwaliteit: De kwaliteit per idee is gelijk aan of hoger dan die van de baselines, bevestigd door blinde menselijke evaluaties, LLM-evaluaties en downstream experimentele evaluaties.
- Temporele validatie: Alle componenten maken uitsluitend gebruik van data van vóór 2025.
- Door minder dan 1% van de kandidaatruimte te selecteren, worden combinaties uit 2025 hersteld met een factor 35,9 ten opzichte van het toeval.
- Het wegen van onbeschikbaarheid verhoogt het herstel van strikt nieuwe combinaties tot 3,24 keer het toeval.
Conclusie
Door wetenschappelijke plausibiliteit te scheiden van de beschikbaarheid binnen de gemeenschap, wijst ons raamwerk op een vorm van AI-ideatie die de menselijke wetenschap aanvult in plaats van enkel versnelt. Hiermee kan de exploratie worden uitgebreid naar coherente richtingen die de wetenschappelijke gemeenschap momenteel over het hoofd ziet.
Auteurs: Alejandro H. Artiles, Martin Weiss, Levin Brinkmann, Iyad Rahwan, Bernhard Schölkopf, Christopher Pal, Hugo Larochelle, Anirudh Goyal, Nasim Rahaman
De Buitenaardse Ruimte van de Wetenschap: Het Samplen van Coherente maar Cognitief Onbeschikbare Onderzoeksrichtingen
Publicatie: Advances in Neural Information Processing Systems, NeurIPS 2026 Main Track
Abstract
Wetenschappelijke ontdekking wordt niet alleen beperkt door wat waar is, maar ook door wat cognitief beschikbaar is voor onderzoekers. Veel richtingen zijn coherent in het licht van de bestaande literatuur, maar het is onwaarschijnlijk dat ze worden voorgesteld omdat geen enkele bestaande gemeenschap de relevante concepten, methoden en intuïties combineert. Moderne taalmodellen erven deze bias over; wanneer zij worden gevraagd om nieuwe ideeën, recombineren ze voornamelijk regio's met een hoge dichtheid in de literatuur.
Wij richten ons op de complementaire regio, de "buitenaardse ruimte van de wetenschap" (alien space of science): richtingen die wetenschappelijk plausibel zijn, maar onwaarschijnlijk binnen de huidige distributie van bestaande onderzoekers.
Methodologie
Onze methode werkt als volgt:
- Decompositie: Papers worden ontleed in conceptuele eenheden en geclusterd in een vocabulaire van "idee-atomen".
- Coherentiemodel: Dit model scoort of combinaties van atomen levensvatbare onderzoeksrichtingen vormen.
- Beschikbaarheidsmodel: Dit model scoort of een bestaande gemeenschap van auteurs in staat is om deze richtingen te produceren.
- Rangschikking: We rangschikken de combinaties zodanig dat de coherentie wordt gemaximaliseerd, terwijl de beschikbaarheid wordt geminimaliseerd.
Resultaten en Validatie
De methode is getest op 16.068 peer-reviewed LLM-papers van NeurIPS, ICLR, ICML en belangrijke NLP-fora. De resultaten tonen het volgende aan:
- Diversiteit: De sampler produceert diversere onderzoeksportefeuilles dan geavanceerde LLM-baselines (inclusief batch-prompted varianten die hun eigen volledige output kunnen inzien).
- Kwaliteit: De kwaliteit per idee is gelijk aan of hoger dan die van de baselines, bevestigd door blinde menselijke evaluaties, LLM-evaluaties en downstream experimentele evaluaties.
- Temporele validatie: Alle componenten maken uitsluitend gebruik van data van vóór 2025.
- Door minder dan 1% van de kandidaatruimte te selecteren, worden combinaties uit 2025 hersteld met een factor 35,9 ten opzichte van het toeval.
- Het wegen van onbeschikbaarheid verhoogt het herstel van strikt nieuwe combinaties tot 3,24 keer het toeval.
Conclusie
Door wetenschappelijke plausibiliteit te scheiden van de beschikbaarheid binnen de gemeenschap, wijst ons raamwerk op een vorm van AI-ideatie die de menselijke wetenschap aanvult in plaats van enkel versnelt. Hiermee kan de exploratie worden uitgebreid naar coherente richtingen die de wetenschappelijke gemeenschap momenteel over het hoofd ziet.
Groetjes,