LLM 기반의 융합적 영감 제공을 통한 과학적 창의성 촉진

Sparking Scientific Creativity via LLM-Driven Interdisciplinary Inspiration

융합 연구는 더 크고 장기적인 영향을 미칠 수 있지만, 대부분의 연구는 단일 분야의 학문적 영역에 국한되어 있습니다. 최근 인공지능 기반의 과학적 발견 접근 방식은 융합 연구에 대한 가능성을 보여주지만, 많은 연구가 실험 및 솔루션의 빠른 설계에 우선순위를 두어 창의적인 융합적 혁신을 이끄는 탐색적이고 협력적인 사고 과정을 간과합니다. 그 결과, 기존의 노력은 과학적 발견을 자동화하는 데 중점을 두었으며, 과학적 혁신을 위한 사고 과정을 강화하는 데는 부족했습니다. 본 논문에서는 Idea-Catalyst라는 새로운 프레임워크를 제시합니다. Idea-Catalyst는 인간과 대규모 언어 모델 모두에서 창의적인 사고를 지원하기 위해 체계적으로 융합적 통찰력을 식별합니다. 추상적인 연구 목표에서 시작하여, Idea-Catalyst는 특정 솔루션에 대한 조기 고정화를 피하면서 아이디어 구상 단계를 지원하도록 설계되었습니다. 이 프레임워크는 융합적 사고의 핵심적인 메타인지적 특징을 포함합니다. (a) 연구 목표의 정의 및 평가, (b) 특정 분야의 기회 및 해결되지 않은 과제에 대한 인식, (c) 잠재적 영향력을 기반으로 한 융합적 아이디어의 전략적 탐색입니다. 구체적으로, Idea-Catalyst는 추상적인 목표(예: 인간-AI 협력 개선)를 핵심 타겟 분야의 연구 질문으로 분해하여 해당 분야의 진행 상황과 미해결 과제를 분석하는 데 활용합니다. 이러한 과제는 도메인에 구애받지 않는 개념적 문제로 재구성되어, 유사한 문제를 다루는 외부 분야(예: 심리학, 사회학)의 정보를 검색할 수 있도록 합니다. Idea-Catalyst는 이러한 분야의 통찰력을 합성하고 타겟 분야에 재맥락화하여, 융합적 잠재력을 기준으로 정보 출처 분야를 순위를 매깁니다. 실험적으로, 이러한 표적 통합은 평균적인 참신성을 21% 향상시키고 통찰력을 16% 향상시키는 동시에, 원래의 연구 문제에 기반을 둔 상태를 유지합니다.

Despite interdisciplinary research leading to larger and longer-term impact, most work remains confined to single-domain academic silos. Recent AI-based approaches to scientific discovery show promise for interdisciplinary research, but many prioritize rapidly designing experiments and solutions, bypassing the exploratory, collaborative reasoning processes that drive creative interdisciplinary breakthroughs. As a result, prior efforts largely prioritize automating scientific discovery rather than augmenting the reasoning processes that underlie scientific disruption. We present Idea-Catalyst, a novel framework that systematically identifies interdisciplinary insights to support creative reasoning in both humans and large language models. Starting from an abstract research goal, Idea-Catalyst is designed to assist the brainstorming stage, explicitly avoiding premature anchoring on specific solutions. The framework embodies key metacognitive features of interdisciplinary reasoning: (a) defining and assessing research goals, (b) awareness of a domain's opportunities and unresolved challenges, and (c) strategic exploration of interdisciplinary ideas based on impact potential. Concretely, Idea-Catalyst decomposes an abstract goal (e.g., improving human-AI collaboration) into core target-domain research questions that guide the analysis of progress and open challenges within that domain. These challenges are reformulated as domain-agnostic conceptual problems, enabling retrieval from external disciplines (e.g., Psychology, Sociology) that address analogous issues. By synthesizing and recontextualizing insights from these domains back into the target domain, Idea-Catalyst ranks source domains by their interdisciplinary potential. Empirically, this targeted integration improves average novelty by 21% and insightfulness by 16%, while remaining grounded in the original research problem.