원리 진화 기반 과학 탐구와 불확실성 최소화

초록

PiEvo는 고정된 가설 공간 대신 과학 원리를 베이지안 최적화로 진화시키는 프레임워크이다. 정보‑지향 가설 선택을 위해 Gaussian Process 전문가를 활용하고, 고서프리얼(고놀람) 실험 결과를 이상 탐지 신호로 삼아 원리 집합을 자동 확장한다. 네 개의 물리·화학·생물·재료 벤치마크에서 평균 90.8 %~93.1 %의 해결 품질을 달성하고, 기존 최첨단 대비 29 %~31 % 향상 및 83 % 빠른 수렴을 기록한다.

상세 분석

PiEvo는 기존 LLM 기반 과학 에이전트가 “고정된 초기 사전(prior)”에 얽매여 새로운 현상을 포착하지 못하는 문제를 근본적으로 재구성한다. 논문은 과학 발견을 “가설 탐색”이 아니라 “원리 공간의 베이지안 최적화”로 정의하고, 이를 두 단계의 불확실성 최소화 문제로 분해한다. 첫 번째는 ‘원리 → 가설’ 불확실성으로, 주어진 원리가 실제 실험 가능한 가설로 변환될 때 발생하는 확률적 변동을 의미한다. 여기서는 LLM을 조건부 프롬프트 엔진으로 사용해 원리‑조건부 가설을 생성하고, Gaussian Process(GP) 전문가를 통해 가설‑원리‑결과 간의 likelihood를 정량화한다. 두 번째는 ‘증거 → 원리’ 불확실성으로, 현재 활성 원리 집합 중 어느 것이 진정한 원리(P*)인지에 대한 에피스테믹한 불확실성을 말한다. 이 불확실성은 정보‑지향 샘플링(Information‑Directed Sampling, IDS)으로 최소화한다. IDS는 기대 후회(Δ)와 정보 이득(I)의 비율을 최소화함으로써, 높은 후회를 감수하더라도 정보 획득이 충분히 큰 가설을 선택한다. 이는 기존 탐욕적 탐색(예: PiFlow)과 달리 탐색‑활용 균형을 이론적으로 보장한다.

핵심 기술적 기여는 세 가지이다. ① 원리 집합을 확률적 사전(p₀)으로 모델링하고, 실험 결과를 베이지안 업데이트하여 posterior pₜ(P)를 유지한다. ② GP 전문가를 원리‑가설 쌍에 대해 학습시켜, 데이터가 극히 제한된 상황에서도 calibrated uncertainty를 제공한다. 이는 B‑ALD 근사와 임베딩 기반 커널(ϕ(h,P)=eʰ·eᴾ 등)으로 구현돼, 텍스트‑수치 변환 비용을 최소화한다. ③ 고서프리얼(Anomaly) 탐지를 통해 원리 공간을 동적으로 확장한다. 실험 결과가 현재 원리 집합으로는 설명되지 않을 때, ‘Anomaly Score’를 계산하고, 이를 기반으로 새로운 원리 후보(P_new)를 생성·추가한다. 이 과정은 ‘Coherent Augmentation’이라 불리며, 기존 원리와의 일관성을 유지하면서도 탐색 범위를 넓힌다.

실험에서는 물리(초전도체), 화학(촉매 설계), 생물(단백질 결합), 재료(광학 메타물질) 네 분야의 표준 벤치마크를 사용했다. PiEvo는 평균 90.81 %~93.15 %의 솔루션 품질을 기록했으며, 이는 최신 방법 대비 29.7 %~31.1 % 향상이다. 또한 샘플 복잡도가 크게 감소해 수렴 단계가 83.3 % 빨라졌고, 다양한 LLM 백본(gpt‑3.5, gpt‑4, Claude 등)에서도 일관된 성능을 보였다. 특히 ‘sub‑wavelength chiral optics’ 사례에서는 기존 이론으로는 설명되지 않던 현상을 새로운 원리(P*)로 추출해, 과학적 인사이트를 직접 제공한다는 점에서 의미가 크다.

이 논문은 “원리 진화”라는 새로운 패러다임을 제시함으로써, LLM 기반 자동 과학 탐구가 단순히 기존 지식을 재현하는 수준을 넘어, 실험적 이상 현상을 학습 신호로 활용해 스스로 이론을 재구성할 수 있음을 증명한다. 향후 연구는 원리 공간의 구조적 표현(예: 그래프 기반 논리식)과 더 복잡한 다중‑에이전트 협업 메커니즘을 결합해, 보다 복합적인 과학 문제에 적용하는 방향으로 나아갈 수 있다.