AI가 과학 가설을 반복 학습으로 발견하는 DiscoveryRSI
원제 DiscoveryRSI: Recursively Learning to Discover Valuable Hypotheses
추천 14댓글 2
Key Point
과학적 가설의 품질 평가와 선택을 AI가 자동으로 수행하면서 연구자들의 발견 과정이 어떻게 달라질 수 있는지 보여주는 구체적 시도이다.
핵심 요약
- 과학 발견에서 검증 가능한 가설을 개발하는 과정을 자동화하기 위해 DiscoveryRSI 프레임워크를 제안했다.
- 가설은 근거 있는 주장, 실행 가능한 조사 방법, 판정 기준, 대안적 설명으로 정의되며, 다중 에이전트 진화 탐색으로 가설 트리를 구축한다.
- 세 가지 재귀적 학습 메커니즘으로 동작한다: 가설 신용 최적화는 연구 기여도를 평가하고, 학습 리플레이는 생산적 전략과 실패 패턴을 식별하며, 재발견은 개선 사항을 새로운 조사에 적용한다.
- DFM-Bench 벤치마크는 가설 품질과 누적 연구 진행도를 4개 수준(가설, 개정, 개발 경로, 연구 실행)에서 평가한다.
- 생명과학 4개 분야에서 기본 모델의 가설 품질이 4.86에서 2회 자기 개선 후 5.39로 상승했으며, 특히 검증 가능성과 데이터 해석성이 크게 향상됐다.
- DiscoveryRSI-27B는 전문가 평가에서 GPT-6 Luna보다 가설 중요성과 주장의 합리성 측면에서 높은 점수를 받았다.
- 모델 학습 종료 이후 발표된 논문과의 대응률이 DiscoveryRSI-27B는 6.3%, GPT-6는 2.5%, Claude Opus 5는 2.3%로, DiscoveryRSI-27B가 가장 높은 수치를 기록했다.