Agentic Framework for Epidemiological Modeling

이 논문은 병원체와 정책 변화에 따라 수동적으로 재설계되는 기존 방식을 대체하여, 역학적 흐름 그래프를 중개 표현으로 활용하고 검증된 피드백 루프를 통해 역학적 일관성을 갖춘 시뮬레이터를 자동으로 생성·수정하는 에이전트 프레임워크 'EPIAGENT'를 제안합니다.

핵심

🦠 전염병 예측은 왜 어렵고, 기존 방식은 무엇이 문제였을까?

전염병이 유행할 때, 정부나 보건 당국은 "이대로 가면 몇 명이 감염될까?", "백신을 접종하면 얼마나 줄어들까?"를 예측해야 합니다. 이를 위해 과학자들은 전염병 시뮬레이션 모델을 만듭니다.

• 기존 방식 (수제 공방):
  과거에는 전염병 전문가들이 손으로 직접 모델을 설계했습니다. 마치 수제 가구를 만드는 장인처럼요.
  • 바이러스가 변이되거나, 새로운 백신이 나오거나, 사람들의 행동이 바뀌면, 장인은 가구를 다시 뜯어고쳐야 했습니다.
  • 이 과정은 매우 느리고, 사람마다 설계도가 달라서 일관성이 떨어지며, 실수할 확률도 높았습니다.

🤖 EPIAGENT: 전염병 모델의 '자동화 건축가'

이 논문에서 제안한 EPIAGENT는 이 과정을 완전히 자동화하고 지능화한 시스템입니다. 마치 현명한 건축 설계사 + 품질 관리 팀 + 시공 팀이 하나로 합쳐진 것과 같습니다.

1. 청사진 그리기 (Flow Graph Synthesis)

가장 중요한 특징은 **중간 단계인 '흐름도 (Flow Graph)'**를 먼저 그립니다.

• 비유: 집을 지을 때 바로 벽돌을 쌓는 게 아니라, 먼저 **"침실은 어디에, 부엌은 어디에, 배관은 어떻게 연결할지"**를 도면으로 그리는 단계입니다.
• 왜 중요할까요? AI 가 바로 코드를 짜면, "감염된 사람이 갑자기 회복되는" 같은 물리적으로 불가능한 실수가 생길 수 있습니다. 하지만 EPIAGENT 는 먼저 이 '흐름도'를 검증합니다. "감염 (I) 에서 회복 (R) 으로 가려면 반드시 거쳐야 하는 과정이 있나?" 등을 체크한 뒤, 도면이 완벽해야 다음 단계로 넘어갑니다.

2. 전문가들의 검증 (Multi-Agent Verification)

하나의 AI 가 모든 일을 하는 게 아니라, 여러 명의 전문가 에이전트가 팀을 이뤄 일합니다.

• 구조 검증관: "이 도면이 전염병 이론 (수학) 에 맞나?"를 체크합니다. (예: 인구 수는 갑자기 줄어들면 안 됨)
• 현실성 검증관: "이 모델이 백신 접종 같은 상황을 제대로 반영했나?"를 확인합니다.
• 코딩 엔지니어: 검증된 도면을 바탕으로 실제 작동하는 시뮬레이션 코드를 작성합니다. 코드가 오류가 나면 스스로 수정합니다.

이들은 서로 대화하며 **"이 부분은 잘못됐으니 고쳐라"**라고 피드백을 주고받습니다. 마치 건축 현장의 감리단이 시공 중 실수를 발견하고 즉시 수정 지시를 내리는 것과 같습니다.

3. 실제 데이터로 다듬기 (Calibration)

모델이 만들어지면, 실제 전염병 데이터 (감염자 수, 사망자 수 등) 를 넣어 모델의 매개변수 (전염 속도 등) 를 조정합니다. 이때도 AI 는 단순히 숫자만 맞추는 게 아니라, 전염병의 원리 (메커니즘) 를 유지하면서 데이터에 잘 맞도록 조정합니다.

---

🌟 이 시스템이 가져온 혁신 (결과)

이 논문은 EPIAGENT 가 실제로 COVID-19 시나리오 모델링 허브 (실제 정부 기관에서 사용하는 데이터) 에서 어떻게 작동했는지 보여줍니다.

1. 정확한 예측: 백신 접종률이나 바이러스 변이 (면역 회피) 같은 복잡한 상황을 가정했을 때, EPIAGENT 가 만든 모델은 실제 데이터와 매우 잘 일치했습니다.
2. 실수 방지: 검증 과정을 거치지 않고 AI 가 바로 코드를 짤 경우, "감염자가 죽지 않고 갑자기 사라진다"거나 "인구가 음수가 된다"는 같은 터무니없는 결과가 나올 수 있습니다. 하지만 EPIAGENT 는 이런 물리적으로 불가능한 실수를 미리 걸러냅니다.
3. 신속한 대응: 새로운 전염병이나 정책이 바뀔 때마다, 인간 전문가들이 몇 주씩 걸려 모델을 고치는 대신, EPIAGENT 는 자동으로 새로운 시나리오에 맞는 모델을 몇 분 안에 만들어냅니다.

💡 한 줄 요약

EPIAGENT 는 전염병 예측 모델을 수동으로 조립하던 구식 공장을, '청사진 검증'과 '전문가 팀'이 운영하는 자동화 스마트 공장으로 바꾼 것입니다.

이 시스템은 단순히 숫자를 맞추는 것을 넘어, 전염병이 퍼지는 논리 (원리) 를 올바르게 이해하고 있는 모델을 만들어내어, 더 안전하고 신뢰할 수 있는 보건 정책 수립을 돕습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 전염병 모델링은 공중보건 정책 수립에 필수적이지만, 기존 접근법은 병원체, 정책, 시나리오 가정이 변화할 때마다 수동으로 모델 구조를 재설계하고 시뮬레이터를 다시 구현해야 하는 비효율적인 과정을 겪습니다.
• 문제점:
  • 수동 의존성: 새로운 변이 출현이나 정책 변경 시 역학 전문가의 수동 개입이 필수적이어서 확장성과 대응 속도가 제한적입니다.
  • LLM 의 한계: 대규모 언어 모델 (LLM) 을 단순히 프롬프트로 모델 생성에 활용하면, 구조적 불일치 (예: 역학적으로 불가능한 전이 경로), 물리 법칙 위반 (음수 인구 수), 그리고 해석 불가능한 결과물이 자주 발생합니다.
  • 검증 부재: 기존 자동화 시스템은 문법적 정확성이나 경험적 성능에 초점을 맞추는 경우가 많아, 역학 이론 (예: 보존 법칙, 비음수성) 을 준수하는지 확인하는 체계적인 검증 단계가 부족합니다.
• 목표: 자연어 기반의 역학 시나리오 설명을 입력받아, 구조적 무결성과 역학적 타당성을 보장하는 실행 가능한 역학 시뮬레이터를 자동으로 생성, 보정, 검증하는 에이전트 프레임워크 개발.

2. 제안 방법론: EPIAGENT (Methodology)

저자들은 EPIAGENT라는 에이전트 프레임워크를 제안하며, 질병 진행을 반복적인 프로그램 합성 문제로 모델링합니다. 핵심 아키텍처는 다음과 같습니다.

2.1. 핵심 구성 요소

1. 지식 증강 흐름도 합성 (Knowledge-Augmented Flow Graph Synthesis):
   • 자연어 시나리오를 입력받아, FAISS 기반의 역학 지식 베이스 (RAG) 를 통해 관련 지식을 검색합니다.
   • LLM 이 역학적 제약 조건 (예: 잠복기 필요, 직접 회복 불가 등) 을 만족하는 **역학 흐름도 (Epidemiological Flow Graph)**를 생성합니다. 이는 모델의 구조적 뼈대 역할을 합니다.
2. 다중 에이전트 검증 및 피드백 루프 (Multi-Agent Verification & Feedback):
   • 흐름도 검증 에이전트: 생성된 그래프가 역학적 원리 (예: $S \to R$ 직접 전이 금지, 사망은 특정 상태에서만 발생) 를 위반하는지 확인하고, 오류 시 구조적 수정을 요청합니다.
   • 코드 생성 및 복구 에이전트 (LLM Planner): 검증된 흐름도를 기반으로 실행 가능한 시뮬레이션 코드 (미분 방정식 기반) 를 생성합니다. 실행 중 오류 (수치 불안정, 차원 불일치 등) 가 발생하면 자동 복구 루프를 통해 코드를 수정합니다.
   • V&V(검증 및 타당성 평가) 에이전트:
     • 검증 (Verification): 수학적 정확성 (비음수성, 인구 보존 법칙, 수치적 안정성) 을 확인합니다.
     • 타당성 평가 (Validation): 시나리오 일관성 (예: 백신 접종 증가 시 감염률 감소) 과 역학적 해석 가능성을 평가합니다.
3. 보정 및 학습 (Calibration):
   • 생성된 시뮬레이터는 관측 데이터 (감염자 수, 사망자 수) 에 대해 경사 하강법을 통해 매개변수 ($\beta, \sigma, \gamma$ 등) 를 보정합니다.
   • 필요 시 시간 가변 매개변수 또는 신경망 기반 하이브리드 모델을 도입하여 복잡한 역학 패턴을 학습할 수 있습니다.

2.2. 데이터 흐름

자연어 시나리오 $\leftrightarrow$ 지식 검색 (RAG) $\to$ 역학 흐름도 (Flow Graph) $\to$ 검증 (Graph Verification) $\to$ 시뮬레이션 코드 생성 $\to$ 실행 및 보정 $\to$ 다중 에이전트 V&V $\to$ 최종 유효 모델

3. 주요 기여 (Key Contributions)

1. 검색 증강 흐름도 합성 (Retrieval-Augmented Flow Graph Synthesis): 시나리오 명세와 수학적 구조를 연결하는 중간 표현 (흐름도) 을 도입하여, 역학적 제약 조건을 만족하는 구조를 생성하고 검증 가능성을 높였습니다.
2. 그래프 - 모델 컴파일 메커니즘: 검증된 흐름도를 역학적 시뮬레이터로 변환하는 자동화 프로세스를 설계하여, 실제 데이터 기반의 매개변수 학습을 위한 명시적 구조적 발판을 제공했습니다.
3. 다중 에이전트 검증 및 타당성 평가 아키텍처: 수학적 유효성, 시나리오 충실도, 역학적 해석 가능성을 전문 에이전트가 강제하며, 전문가 워크플로우를 모방한 실행 가능한 피드백 루프를 구축했습니다.
4. 실증적 평가: COVID-19 시나리오 모델링 허브 (MIDAS Network) 의 실제 사례 연구와 행동 기반 SEIR 모델을 통해, 생성된 시뮬레이터가 복잡한 역학 동향을 포착하고 반사실적 (counterfactual) 예측에서 일관된 결과를 도출함을 입증했습니다.

4. 실험 결과 (Results)

• 정확도 및 보정: EPIAGENT 가 생성한 시뮬레이터는 관측된 역학 데이터 (감염자 및 사망자 추이) 에 대해 높은 정확도로 적합되었습니다. 시간 가변 매개변수나 신경망 증강을 통해 복잡한 다중 피크 패턴도 잘 포착했습니다.
• 구조적 무결성: 흐름도 검증 단계가 없으면 역학적으로 무효인 모델 (예: 음수 인구, 보존 법칙 위반) 이 생성되는 경우가 87% 이상 발생했으나, EPIAGENT 의 검증 루프를 통해 이러한 오류가 효과적으로 차단되었습니다.
• 반사실적 추론 능력: 백신 접종 정책이나 면역 회피 (immune escape) 수준을 변경하는 다양한 시나리오에서, 모델이 역학적으로 일관된 반응 (예: 백신 접종률 증가 $\to$ 감염률 감소) 을 보였습니다. 이는 단순히 곡선 피팅을 넘어 시나리오의 인과 관계를 올바르게 반영했음을 의미합니다.
• 에이전트 피드백의 효과: 무작위 생성에 비해 에이전트 피드백 루프를 통한 반복적 개선이 모델 수렴 속도를 크게 가속화하고, 구조적 오류를 수정하여 유효한 모델에 도달하는 데 필수적이었습니다.

5. 의의 및 결론 (Significance)

• 전문가 워크플로우 자동화: EPIAGENT 는 역학 전문가가 수행하는 복잡한 모델 설계, 검증, 보정 과정을 에이전트 시스템으로 자동화하여, 공중보건 위기 대응 시 모델링의 확장성과 대응 속도를 획기적으로 개선할 수 있음을 보여줍니다.
• 해석 가능성과 신뢰성: 블랙박스 방식이 아닌, 역학적 흐름도를 기반으로 한 구조적 합성과 엄격한 검증을 통해 생성된 모델의 해석 가능성 (Interpretability) 과 신뢰성을 보장합니다.
• 미래 방향: 현재는 고정된 최적화 전략을 사용하지만, 향후 수렴 인식 (convergence-aware) 정지 기준과 적응형 학습을 통해 더욱 견고한 시스템을 구축할 수 있을 것으로 기대됩니다.

이 연구는 AI 에이전트가 단순한 코드 생성을 넘어, 도메인 지식 (역학) 과 엄격한 검증 로직을 결합하여 과학적 모델링의 신뢰성을 높이는 새로운 패러다임을 제시합니다.