AI研究エージェントは、機械学習モデルの設計、実装および学習を自動化することで、科学的進歩の加速を約束している。しかし、この分野はまだ初期段階にあり、エージェントの行動経路が成功または失敗に至る要因については十分に理解されていない。本研究では、アイデーションの多様性がエージェントのパフォーマンスに果たす役割に注目する。まず、AI研究エージェントの評価に広く用いられるベンチマーク「MLE-bench」において、異なるモデルおよびエージェントスキャフォールド（エージェントの枠組み）に対するエージェントの行動経路を分析した。その結果、異なるモデルやエージェントスキャフォールドは、アイデーションの多様性に差を示しており、特にパフォーマンスの高いエージェントは、より高いアイデーションの多様性を示す傾向があることが明らかになった。さらに、アイデーションの多様性を制御した実験を実施し、多様性が高まることでパフォーマンスが向上することを実証した。最後に、MLE-benchの標準的なメダル評価に加え、他の評価指標を用いて検証することで、本研究の結論が他のパフォーマンス指標に対しても一貫して成り立つことを確認し、結果の信頼性を強化した。