Een team van onderzoekers heeft een nieuw raamwerk ontwikkeld dat kunstmatige intelligentie moet helpen bij het systematisch verkennen van wetenschappelijke methoden. Het systeem, genaamd "Idea Search", combineert een zogenaamde "Idea Bank" met boomgebaseerd zoeken (Tree Search) om de prestaties van grote taalmodellen (LLM's) bij geautomatiseerd wetenschappelijk coderen te verbeteren.
Het onderzoek, uitgevoerd door Xuefei Julie Wang, Hao Cui, Michael P. Brenner en Subhashini Venugopalan, werd op 9 augustus 2026 ingediend bij arXiv en is daar beschikbaar als preprint. Volgens de arxiv.org richt het werk zich op een bekend probleem: pure Tree Search-technieken hebben soms moeite met systematische verkenning en kunnen vastlopen in lokale optima of ineffectieve herhalingslussen, vooral wanneer de zoekruimte van wetenschappelijke methoden groot is.
Drie stappen naar betere verkenning
Het voorgestelde Idea Search-raamwerk werkt in drie fasen. In de eerste stap worden bestaande methoden ontleed in atomische ideeën. Vervolgens worden uit deze ideeënbank samples genomen om takken van codemutaties te sturen. Tot slot wordt de bank dynamisch bijgewerkt met nieuwe ideeën die tijdens de uitvoering worden ontdekt.
De onderzoekers testten hun aanpak op single-cell RNA-sequencing (scRNA-seq) batch-integratie, een techniek die in de genomica wordt gebruikt om gegevens uit verschillende experimenten te combineren. Volgens de resultaten doorbreekt Idea Search het plateau van een sterke pure Tree Search-basislijn: de gemiddelde score steeg van 0,678 naar 0,697, met een beste score van 0,728.
Ontwerpfactoren bepalen succes
Naast de hoofdresultaten brachten de onderzoekers in kaart welke ontwerpkeuzes de winst verklaren. Zo blijkt dat het verrijken van de ideeënbank (bank augmentation) vooral helpt bij bandit-sampling, maar niet bij willekeurige sampling. Daarnaast levert "Exploratory" prompting — een benadering die prioriteit geeft aan nieuwe ideeën — de zeldzame, best presterende oplossingen op. Opvallend is dat het verhogen van sampling-level exploratie juist contraproductief blijkt te werken.
Het onderzoek situeert zich op het snijvlak van machine learning, artificiële intelligentie en genomica. De preprint is ingediend onder de categorieën Machine Learning (cs.LG), Artificial Intelligence (cs.AI), Genomics (q-bio.GN) en Quantitative Methods (q-bio.QM).
Context: AI in de wetenschap
Het onderzoek past in een bredere trend waarin AI-systemen steeds vaker worden ingezet voor wetenschappelijke ontdekkingen. Tree Search-gebaseerde test-time scaling van LLM's wordt gezien als een krachtig hulpmiddel voor geautomatiseerd wetenschappelijk coderen, maar kampt dus met beperkingen bij het verkennen van grote zoekruimtes.
Het concept van een "Idea Bank" is niet gerelateerd aan de gelijknamige Amerikaanse onderwijsorganisatie IDEA, die onder meer de ed.gov uitvoert, noch aan de jetbrains.com van JetBrains. De term verwijst in dit onderzoek uitsluitend naar de verzameling van atomische ideeën die het raamwerk gebruikt om zoekrichtingen te sturen.
De onderzoekers hebben hun paper ingediend bij arXiv, de bekende preprintserver voor onder meer computerwetenschappen. Het werk is nog niet peer-reviewed; de bevindingen moeten dus als voorlopig worden beschouwd. De auteurs hebben de paper op 9 augustus 2026 ter publicatie aangeboden, met een DOI die via DataCite wordt geregistreerd.