Agentic Exploration of Physics Models

이 논문은 도메인 특화 지식이나 미세 조정 없이 대규모 언어 모델의 도구 사용 능력을 활용하여 기계적 동역학, 파동 진화, 양자 다체 물리 등 다양한 물리 시스템의 미지 법칙을 자동으로 탐구하고 발견하는 에이전트 'SciExplorer'를 제안하고 그 유효성을 입증합니다.

핵심

이 논문은 **"SciExplorer(과학 탐험가)"**라는 인공지능(AI) 에이전트가 어떻게 아무것도 모르는 물리 시스템을 스스로 탐험하고 그 법칙을 찾아내는가를 보여줍니다.

기존의 AI 는 "이 문제를 풀면 1 점, 저 문제를 풀면 2 점"처럼 정해진 규칙 안에서만 작동했습니다. 하지만 이 논문은 AI 가 새로운 실험을 직접 설계하고, 결과를 분석하며, 가설을 세우는 '과학자'처럼 행동할 수 있음을 증명합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. SciExplorer 는 어떤 존재인가요?

비유: "완벽한 요리사지만 레시피를 모르는 탐험가"

상상해 보세요. 낯선 나라에 떨어진 요리사가 있습니다. 그는 그 나라의 식재료 (물리 시스템) 만 보고, 어떤 요리를 만들지, 어떤 재료가 들어갔는지 전혀 모릅니다.

• 기존 AI: "이 요리는 소금 5g, 설탕 3g 이 필요합니다"라고 외운 레시피만 따릅니다.
• SciExplorer: "일단 재료를 맛보고, 냄새를 맡고, 불에 구워보죠. 맛이 짜다면 소금을 줄여야겠네? 색깔이 변한다면 열을 더 줘야겠어?"라고 스스로 실험을 설계하고 결과를 분석하며 레시피를 찾아냅니다.

이 AI 는 물리학, 수학, 코딩에 대한 방대한 지식을 가지고 있지만, 어떤 특정 과목 (기계, 파동, 양자) 에 대해 미리 가르치지 않아도 스스로 적응하여 문제를 해결합니다.

2. 어떻게 작동하나요? (과학적 탐험의 3 단계)

이 AI 는 다음과 같은 과정을 반복하며 진화합니다.

1. 실험 설계 (Plan): "이 시스템이 어떻게 움직일지 궁금하네. 일단 공을 던져보고, 진자를 흔들어보자." (AI 가 직접 초기 조건을 설정하고 시뮬레이션을 실행합니다.)
2. 관찰과 분석 (Observe & Analyze): "오? 공이 떨어질 때 속도가 일정하지 않네. 마치 공기 저항이 있는 것 같아. 그래프를 그려보자." (코딩 도구를 써서 데이터를 분석하고 시각화합니다.)
3. 가설 수정 (Hypothesis): "아, 단순한 중력이 아니라 마찰력도 포함된 것 같아. 내 가설을 수정해서 다시 계산해보자." (자신의 실수를 인정하고 새로운 수식을 제안합니다.)

이 과정이 수십 번, 수백 번 반복되면서 AI 는 결국 시스템의 진짜 법칙 (공식) 을 찾아냅니다.

3. 어떤 일을 해냈나요? (세 가지 주요 성과)

논문은 이 AI 가 세 가지 다른 분야의 '미스터리'를 해결하는 모습을 보여줍니다.

• 기계 시스템 (예: 진자, 공):

  • 상황: "이 진자가 왜 이렇게 흔들리는지 모르겠어."
  • 성과: AI 는 진자의 움직임을 관찰하고, "아, 공기 저항이 있고, 중력이 작용하는구나"라고 추론하여 정확한 운동 방정식을 찾아냈습니다. 마치 블랙박스 안에 있는 기계 장치를 분해하지 않고도 그 작동 원리를 완벽하게 재현한 것과 같습니다.

• 파동과 장 (Field) 시스템 (예: 물결, 빛):

  • 상황: "이 물결이 퍼져나가는 패턴이 이상해. 어떤 법칙이 작용하는 걸까?"
  • 성과: AI 는 파동의 모양을 분석해 "이건 비선형 슈뢰딩거 방정식이야!"라고 찾아냈습니다. 마치 물결의 패턴을 보고 그 물이 흐르는 강물의 깊이나 속도를 역으로 계산해낸 것과 같습니다.

• 양자 물리 (Quantum Physics):

  • 상황: "이 미세한 입자들 (스핀) 이 서로 어떻게 상호작용하는지 알 수 없어."
  • 성과: AI 는 입자들의 상태를 측정하고, "이건 헤이젠베르크 모델이야, 아니면 이징 모델이야?"라고 추론하며 **정확한 해밀토니안 (에너지 공식)**을 찾아냈습니다. 이는 마치 보이지 않는 유령들의 대화 내용을 듣고 그들 사이의 규칙을 찾아낸 것과 같습니다.

4. 왜 이것이 중요한가요?

• 미세 조정 (Fine-tuning) 불필요: 보통 AI 는 특정 작업 (예: 암 진단) 을 시키려면 그 작업에 맞춰 학습시켜야 합니다. 하지만 SciExplorer 는 어떤 작업이든 처음부터 바로 시작할 수 있습니다.
• 실수에서도 배우는 능력: AI 가 처음에 틀린 공식을 제안하더라도, 실험 결과가 맞지 않으면 스스로 "아, 내가 틀렸네"라고 깨닫고 다시 시도합니다.
• 인간의 한계를 넘어서: 복잡한 시스템을 분석하는 데 전문가가 몇 주가 걸릴 수도 있지만, 이 AI 는 몇 시간 안에 핵심 법칙을 찾아냅니다.

5. 결론: 과학의 새로운 동반자

이 논문은 **"인공지능이 이제 단순한 계산기를 넘어, 스스로 궁금증을 가지고 실험을 설계하며 과학적 진리를 발견하는 파트너가 될 수 있다"**는 것을 보여줍니다.

마치 아이작 뉴턴이 사과가 떨어지는 것을 보고 중력을 발견했듯이, 이제 AI 도 데이터라는 사과를 보고 물리 법칙을 스스로 발견할 수 있는 시대가 온 것입니다. 이 기술은 물리학뿐만 아니라 화학, 생물학 등 모든 과학 분야에서 새로운 발견을 가속화할 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 과학적 발견의 자동화: 과학적 발견은 관찰, 분석, 가설 생성의 상호작용에 의존합니다. 기존 머신러닝 기법들은 이 과정의 특정 부분 (예: 실험 제안, 데이터 분석, 방정식 회귀) 을 처리하는 데 사용되어 왔으나, 특정 작업에 맞춰진 (tailored) 접근법이 필요했습니다.
• 미지의 시스템 탐구: 특정 도메인 지식이나 사전 정의된 청사진 (blueprint) 없이, 실험을 통해 미지의 물리 시스템을 탐구하고 그 법칙 (운동 방정식 또는 해밀토니안) 을 발견하는 것을 완전히 자동화하는 것은 여전히 큰 도전 과제였습니다.
• LLM 의 한계와 기회: 대규모 언어 모델 (LLM) 은 제로샷 (zero-shot) 학습과 일반적 지식으로 다양한 작업을 수행할 수 있지만, '환각 (hallucination)' 경향이 있습니다. 이를 극복하기 위해 외부 도구를 활용한 '에이전트 (Agent)' 행동이 필요하지만, 물리학 분야에서 이를 적용한 연구는 대부분 특정 도구와 구조화된 절차에 의존했습니다.

2. 방법론 (Methodology)

저자들은 SciExplorer라는 새로운 에이전트 시스템을 제안합니다. 이는 LLM 의 도구 사용 (tool-use) 능력을 활용하여 도메인 특화 지식 없이도 시스템을 탐구할 수 있도록 설계되었습니다.

• 핵심 구성 요소:
  • LLM 코어: 최신 LLM (GPT-5) 을 기반으로 하여 물리학, 수학, 코딩에 대한 광범위한 지식을 활용합니다.
  • 일반적 도구 (Generic Tools):
    • 코드 실행 (Code Execution): 임의의 Python/JAX 코드를 실행하여 데이터 분석, 수치 시뮬레이션, 회귀 분석 등을 수행합니다.
    • 시각화 (Plotting): 생성된 데이터를 시각화하여 LLM 이 질적 패턴 (진동, 감쇠, 위상 공간 구조 등) 을 파악할 수 있게 합니다.
    • 외부 메모리 (External Memory): 실험 결과와 분석 데이터를 저장하여 에이전트가 장기적인 추론을 할 수 있게 합니다.
  • 시뮬레이션 환경: 에이전트는 '관측 (observe)' 도구와 '시뮬레이션' 도구를 통해 가상의 실험을 수행합니다.
• 작동 원리 (Iterative Loop):
  1. 계획 수립: 주어진 작업 (예: "운동 방정식을 찾아라") 에 대해 초기 가설을 세우고 실험 계획을 수립합니다.
  2. 실험 수행: 다양한 초기 조건으로 수치 실험을 수행하고 데이터를 관찰합니다.
  3. 분석 및 추론: 데이터를 시각화하고 통계적 분석 (선형 회귀, 푸리에 변환 등) 을 통해 시스템의 질적 특징 (보존량, 대칭성, 비선형성 등) 을 추출합니다.
  4. 가설 수정: 분석 결과를 바탕으로 기존 가설을 수정하거나 새로운 모델을 제안합니다.
  5. 검증: 제안된 모델을 시뮬레이션하여 실제 관측 데이터와 비교합니다.
  6. 수렴: 모델이 데이터를 잘 설명할 때까지 위 과정을 반복하다가 최종 결과를 저장합니다.
• 제약 조건: 에이전트는 시스템의 governing laws (예: ODE 또는 PDE 로 이루어짐) 에 대한 명시적 지시를 받지 않으며, 오직 시스템의 차원, 위상, 구성 요소 (예: 입자 수, 스핀) 에 대한 최소한의 정보만 받습니다.

3. 주요 기여 (Key Contributions)

• 도메인 독립적 과학 탐구 에이전트: 특정 물리 현상에 맞춰 튜닝되지 않은, 일반적인 AI 물리학자 (General AI Physicist) 를 구현했습니다.
• 코드 기반의 유연한 도구 사용: 별도의 전용 분석 도구를 개발하는 대신, LLM 의 강력한 코딩 능력을 활용하여 동적으로 분석 루틴을 생성하고 실행합니다.
• 광범위한 벤치마크: 기계적 동역학 시스템, 파동/장 (Field) 진화, 양자 다체 물리 (Quantum Many-Body Physics) 등 세 가지 서로 다른 물리 영역에서 성공적으로 모델을 발견했습니다.
• 상징적 회귀 (Symbolic Regression) 대비 우월성: 기존 SINDy, AIFeynman 등 전통적인 기법들과 비교하여, 사전 정의된 Ansatz(가정) 가 없어도 더 정확하고 해석 가능한 모델을 발견함을 보였습니다.

4. 실험 결과 (Results)

A. 기계적 시스템 (Mechanical Systems)

• 과제: 관측된 운동 궤적로부터 운동 방정식 (ODE) 을 복원.
• 성공 사례: 감쇠된 더블 펜듈럼, 비선형 감쇠 진동자, 2D 입자 시스템 등 다양한 시스템에서 운동 방정식을 정확히 복원 ($R^2 \approx 1$).
• 전략: 에이전트는 시각화를 통해 선형성, 대칭성, 한계 주기 등을 파악하고, sparse linear regression 등을 사용하여 방정식의 항을 식별했습니다.
• 한계: 매우 복잡하거나 알려진 모델과 거리가 먼 시스템 (예: 임의의 2D 퍼텐셜) 에서는 성능이 저하되기도 했으나, 여러 번의 시도 중 하나는 성공했습니다.

B. 파동 및 장의 동역학 (Waves and Fields)

• 과제: 복소수 장 (Complex Field) 의 시간 진화로부터 편미분 방정식 (PDE) 발견.
• 성공 사례: 비선형 슈뢰딩거 방정식 (NLS), 시간 의존성 긴즈부르크 - 란다우 (Ginzburg-Landau) 방정식 등 다양한 장 이론을 발견.
• 전략: 분산 관계 (dispersion relation) 추출, 비선형성 확인, 공간적 주기성 분석 등을 통해 모델 구조를 추론하고, 분할 - 스텝 (split-step) 적분기를 구현하여 검증했습니다.

C. 양자 다체 물리 (Quantum Many-Body Physics)

• 과제: 스핀 시스템의 기대값 (기저 상태 또는 시간 진화) 으로부터 해밀토니안 (Hamiltonian) 발견.
• 성공 사례: 횡단 자기장 이징 모델 (Transverse-field Ising), 하이젠베르크 모델 (Heisenberg), 클러스터 이징 모델 등.
• 전략: 보존량 확인, 푸리에 변환을 통한 주파수 분석, 대칭성 및 국소성 (locality) 추론을 통해 해밀토니안의 항을 식별했습니다.
• 난이도: 일부 관측 가능한 스핀만 있는 경우 (부분 관측) 나 가변 파라미터가 있는 경우에도 성공적으로 가족 (family) 단위의 해밀토니안을 발견했습니다.

D. 노이즈 내성 및 실패 모드

• 노이즈: 측정 노이즈 (가우시안 노이즈, 샷 노이즈) 가 있는 상황에서도 최소 6 번 시도 중 1 번 이상은 정확한 모델을 복원했습니다.
• 실패 원인:
  • 조기 확정 (Premature Commitment): 잘못된 가설에 너무 일찍 집착하여 재검토를 하지 않음.
  • 시각적 단서 놓침: 가속도 그래프의 진동이나 위상 공간의 구조와 같은 질적 단서를 간과함.
  • 수치적 오류: 부호 오류나 계수 (factor of 2 등) 누락.
• 성능 비교: GPT-5 는 Gemini 2.5 Pro 나 오픈소스 모델들보다 압도적으로 우수한 성능을 보였습니다.

5. 의의 및 결론 (Significance)

• 과학적 발견의 패러다임 전환: SciExplorer 는 인간 물리학자가 수행하는 '실험 - 분석 - 가설'의 반복적 과정을 자동화할 수 있음을 입증했습니다.
• 실제 실험 적용 가능성: 많은 현대 물리 실험 (냉각 원자 기체, 양자 시뮬레이터 등) 이 코드 기반 인터페이스로 제어되므로, SciExplorer 는 실제 실험 환경에 직접 적용되어 미지의 시스템 매핑이나 제어 최적화에 사용될 수 있습니다.
• 확장성: 물리학에 국한되지 않고, 화학, 생물학 등 다른 과학 분야로 확장 가능한 프레임워크를 제시했습니다.
• 미래 전망: LLM 의 추론 능력과 시각적 이해 능력이 향상된다면, 더욱 복잡하고 비표준적인 물리 법칙을 발견하는 데 핵심적인 도구가 될 것으로 기대됩니다.

이 논문은 도메인 특화 지식 없이도 LLM 에이전트가 실험적 탐구를 통해 물리 법칙을 스스로 발견할 수 있음을 보여주는 중요한 이정표입니다.