Autonomous Agents Coordinating Distributed Discovery Through Emergent Artifact Exchange

이 논문은 중앙 조정 없이 독립적인 에이전트들이 공유된 글로벌 인덱스와 아티팩트 교환을 통해 자발적으로 협력하며 과학적 발견을 수행하는 'ScienceClaw + Infinite' 프레임워크를 제안하고, 펩타이드 설계부터 도시 형태학에 이르기까지 다양한 분야에서 그 유효성을 입증합니다.

핵심

이 논문은 **"과학자를 대신해 스스로 연구하고, 서로 협력하며 새로운 발견을 만들어내는 인공지능 에이전트들"**에 대한 이야기입니다.

기존의 AI 는 인간이 "이거 해줘"라고 명령해야만 움직이는 '비서' 역할을 했습니다. 하지만 이 논문에서 소개하는 SCIENCECLAW + INFINITE 시스템은 인간이 지시하지 않아도 스스로 질문을 만들고, 도구를 찾아서 실험을 하고, 그 결과를 공유하며 새로운 지식을 쌓아 올리는 **'자율적인 과학자 군단'**입니다.

이 복잡한 시스템을 이해하기 쉽게 세 가지 핵심 비유로 설명해 드리겠습니다.

---

1. 거대한 과학 도구 상점 (SCIENCECLAW)

이 시스템의 첫 번째 요소는 SCIENCECLAW입니다. 이는 마치 300 개가 넘는 과학 도구들이 진열된 거대한 상점과 같습니다.

• 상황: 한 에이전트 (AI 과학자) 가 "소마토스타틴 수용체 (SSTR2) 에 맞는 약을 찾아보자"라고 생각했다고 가정해 봅시다.
• 행동: 이 에이전트는 상점에서 필요한 도구를 스스로 골라냅니다. "일단 논문 (PubMed) 을 찾아보고, 단백질 구조 (AlphaFold) 를 예측한 뒤, 화학적 성질 (RDKit) 을 분석해 봐야겠다"라고 스스로 판단하여 도구들을 연결합니다.
• 특징: 각 에이전트는 고유의 **'성격'**을 가집니다. 어떤 에이전트는 유전학에 특화되어 있고, 다른 에이전트는 재료공학에 능통합니다. 같은 문제를 풀더라도 성격에 따라 서로 다른 도구 조합을 선택하기 때문에, 다양한 각도에서 문제를 바라보게 됩니다.

2. 불변의 연구 일지 및 결과물 교환소 (Artifact Layer & DAG)

각 에이전트가 도구를 사용해서 얻은 결과물은 **'아티팩트 (Artifact)'**라는 이름의 불변의 연구 일지로 남습니다.

• 비유: 마치 레고 블록을 쌓는 것과 같습니다. 에이전트 A 가 만든 결과물 (블록) 은 다음 에이전트 B 가 가져다 쓸 수 있는 기초가 됩니다.
• 연결성: 모든 결과물은 **'조상 (Parent)'**을 명확히 기록합니다. "이 숫자는 A 가 계산했고, 그 계산은 B 의 데이터를 기반으로 했다"는 식으로, 처음부터 끝까지 모든 과정이 투명하게 연결된 **나무 구조 (DAG)**를 이룹니다. 덕분에 누가 무엇을 어떻게 발견했는지 추적할 수 있어, 과학적 신뢰도가 매우 높습니다.

3. 자율적인 협력과 발견의 시장 (INFINITE & ArtifactReactor)

가장 흥미로운 부분은 INFINITE이라는 플랫폼과 **ArtifactReactor(결과물 반응기)**입니다. 이는 **중앙 지시자가 없는 '자율적인 과학 시장'**과 같습니다.

• 요구사항 게시판: 에이전트 A 가 "나는 이 실험을 하려면 '단백질 데이터'가 필요한데, 아직 없네?"라고 생각하면, 이 **부족한 정보 (Needs)**를 전 세계 공유 게시판에 올립니다.
• 자발적 협력: 다른 에이전트 B 가 이 게시판을 보고 "아! 내가 그 데이터를 가지고 있네!"라고 생각하면, 스스로 그 데이터를 가져와서 A 의 연구를 도와줍니다.
• 압력 점수 (Pressure Scoring): 누가 먼저, 무엇을 도와줄지 정하는 것은 중앙 관리자가 아닙니다. 대신 **'압력'**이라는 개념이 작동합니다.
  • 새로운 정보일수록 (Novelty)
  • 많은 에이전트가 필요로 할수록 (Centrality)
  • 오래된 요청일수록 (Age)
  • 이 점수가 높은 요청부터 자동으로 해결됩니다. 마치 공기 중의 압력 차이로 바람이 불듯, 정보가 필요한 곳으로 자연스럽게 지식이 흐르는 것입니다.

---

실제 사례: AI 들이 뭘 발견했을까요?

이 시스템은 4 가지 실제 과학 과제를 자율적으로 해결했습니다.

1. 약물 설계 (SSTR2): 여러 에이전트가 구조 분석, 진화 분석, 언어 모델 분석을 각각 수행하다가, 서로의 결과를 합쳐 "이 특정 아미노산 조합이 가장 효과적일 것 같다"는 결론에 도달했습니다.
2. 경량 내충격 세라믹: "무겁지 않으면서도 단단한 세라믹"을 찾기 위해 수천 가지 후보를 자동으로 스크리닝하고, 실험 가능한지까지 예측했습니다.
3. 생물학과 음악의 연결 (공명): "곤충 날개, 건축 재료, 그리고 바흐의 음악"이라는 전혀 상관없어 보이는 세 가지 영역을 분석했습니다. AI 들은 이 세 가지가 가진 '진동 패턴'이 서로 닮아있다는 것을 발견하고, 이를 바탕으로 새로운 형태의 건축 재료를 설계했습니다.
4. 도시와 결정의 유사성: "도시의 거리망 성장"과 "금속 결정의 성장"이 수학적으로 매우 비슷하다는 가설을 세우고, 이를 증명하는 수학적 문법 (L-system) 을 스스로 만들어냈습니다.

---

요약: 왜 이것이 중요한가요?

이 논문은 AI 가 단순히 **인간의 도구가 아니라, 과학 발견의 '주체'**가 될 수 있음을 보여줍니다.

• 중앙 통제 불필요: 누가 시키지 않아도 서로의 부족함을 채워주며 협력합니다.
• 투명한 과정: 모든 발견은 '어떻게' 이루어졌는지 추적 가능한 기록으로 남습니다.
• 지속 가능한 성장: 한 에이전트의 실패나 성공이 다음 에이전트의 기초가 되어, 과학적 지식이 계속 쌓여갑니다.

마치 수많은 과학자들로 구성된 거대한 생태계가 스스로 진화하며 새로운 지식을 발견하는 것과 같습니다. 이 시스템은 앞으로 우리가 풀지 못했던 복잡한 과학적 난제들을 해결하는 새로운 열쇠가 될 것입니다.

기술 요약

1. 문제 제기 (Problem)

기존의 인공지능 (AI) 을 활용한 과학 연구는 대부분 **보조 도구 (Assistive Technology)**의 역할에 그치고 있습니다. 대규모 언어 모델 (LLM) 이 문헌을 요약하거나 가설을 생성하는 데 사용되지만, 인간 연구자의 프롬프트에 반응하는 수동적인 단계에 머무릅니다. 진정한 과학적 발견은 단순한 질의 - 응답이 아니라, 도구 사용, 가설 검증, 증거 비교를 반복하는 순환적 탐구 과정이며, 종종 서로 다른 분야의 독립적인 추론이 수렴하거나 구조적 유사성을 발견하는 과정에서 발생합니다.

현재의 AI 시스템은 이러한 분산된 집단 지성 (Crowdsourced Reasoning) 과정에 능동적으로 참여하지 못합니다. 인간이 직접 지시하지 않는 한, 에이전트들이 스스로 도구를 연결하고, 서로의 발견을 공유하며, 새로운 지식을 구축하는 지속 가능한 생태계를 구축하는 프레임워크가 부족했습니다.

2. 방법론 (Methodology)

저자들은 SCIENCECLAW + INFINITE이라는 자율 과학 탐구 프레임워크를 제안합니다. 이 시스템은 중앙 집중식 조율자 없이 독립적인 에이전트들이 공유 생태계에서 협력하여 연구를 수행할 수 있도록 설계되었습니다.

핵심 구성 요소

1. SCIENCECLAW (계산 레이어):

   • 확장 가능한 기술 레지스트리: 생물학, 화학, 재료과학, 음악 분석 등 300 개 이상의 상호 운용 가능한 과학 기술 (Skill) 을 제공합니다.
   • 에이전트 프로필: 각 에이전트는 고유한 '과학적 성격 (Scientific Personality)'을 가진 JSON 프로필로 정의되며, 이는 도구 선택과 추론 방식에 영향을 미쳐 다양한 관점의 탐구를 가능하게 합니다.
   • 아티팩트 레이어 (Artifact Layer): 모든 도구 실행 결과는 불변의 **아티팩트 (Artifact)**로 기록됩니다. 각 아티팩트는 UUID, 타입, SHA-256 해시, 부모 아티팩트 ID 를 포함하며, 이는 방향성 비순환 그래프 (DAG) 형태의 계산 계보 (Provenance) 를 형성합니다.

2. INFINITE (의사소통 및 거버넌스 레이어):

   • 구조화된 과학적 담론 플랫폼: 에이전트들이 발견, 아티팩트, 미해결 질문을 게시하는 플랫폼입니다.
   • 증거 표면 (Evidence Surface): 모든 게시물은 가설, 방법론, 발견, 사용된 도구, 아티팩트 계보 등을 명시적으로 포함하여 검증 가능성을 보장합니다.
   • 커뮤니티 피드백: 투표, 인용, 반박 등의 상호작용이 에이전트의 평판 (Karma) 에 영향을 미치며, 이는 다음 탐구 주기의 방향성을 조정합니다.

3. 조정 메커니즘 (ArtifactReactor & Mutation Layer):

   • ArtifactReactor: 중앙 계획자 없이 에이전트 간 협력을 가능하게 합니다.
     • 필요 신호 (Need Signals): 에이전트가 미해결 정보 요구사항을 글로벌 인덱스에 브로드캐스트합니다.
     • 압력 기반 스코어링 (Pressure-based Scoring): novelty(새로움), centrality(집중도), depth(깊이), age(노후화) 를 기반으로 요구사항의 우선순위를 결정합니다.
     • 다중 부모 합성 (Multi-parent Synthesis): 서로 다른 에이전트가 생성한 호환 가능한 아티팩트가 발견되면, 이를 하나의 새로운 합성 아티팩트로 병합하여 계보에 기록합니다.
   • ArtifactMutator: DAG 내의 중복, 정체, 충돌을 감지하여 자동으로 가지치기 (Pruning) 또는 분기 (Forking) 를 수행하여 탐색 공간을 최적화합니다.

4. 지속적 메모리: 에이전트는 Journal(관찰/가설 로그), InvestigationTracker(진행 중인 연구 상태), KnowledgeGraph(개념 간 관계) 를 통해 여러 사이클에 걸쳐 지식을 축적하고 이전 작업을 반복하지 않습니다.

3. 주요 기여 (Key Contributions)

• 중앙 집중식 조율 없는 분산 발견: 인간이나 중앙 컨트롤러의 개입 없이, 에이전트들이 아티팩트 교환과 필요 신호를 통해 자발적으로 협력하고 수렴하는 생성적 (Emergent) 협업 메커니즘을 구현했습니다.
• 완전한 계산 계보 (Computational Provenance): 모든 발견이 원시 데이터와 도구 호출의 DAG 로 추적 가능하도록 하여, AI 가 생성한 과학적 결과의 신뢰성과 재현성을 확보했습니다.
• 이종 도구 연결 및 교차 영역 추론: 서로 다른 과학적 성격 (예: 유전체학자 vs 계산 화학자) 을 가진 에이전트들이 동일한 문제에 대해 서로 다른 도구 체인을 구성하고, 이를 통합하여 단일 에이전트로는 도달할 수 없는 통찰을 도출했습니다.
• 자율적 진화 및 거버넌스: 커뮤니티 피드백과 평판 시스템 (Karma) 을 통해 에이전트의 행동을 유도하고, 중복 작업을 방지하며, 질 높은 연구에 집중하도록 하는 자율적 거버넌스 구조를 제시했습니다.

4. 결과 (Results)

논문은 4 가지 자율 탐구 사례를 통해 프레임워크의 유효성을 입증했습니다.

1. SSTR2 펩타이드 설계 (단백질 설계):

   • 구조 분석, 진화적 증거, 단백질 언어 모델 (ESM-2) 을 활용하여 성장호르몬 분비 억제 수용체 (SSTR2) 에 결합하는 펩타이드를 설계했습니다.
   • 독립적인 에이전트들이 구조적 핫스팟 (K-T-C 모티프) 과 변이 허용 영역을 일치시키는 결과를 도출하며, 서로 다른 증거원이 수렴하는 것을 확인했습니다.

2. 경량 충격 저항성 세라믹 발견 (재료 과학):

   • 밀도 < 5 g/cm³, 체적 탄성률 > 200 GPa 인 조건을 만족하는 세라믹을 자율적으로 스크리닝했습니다.
   • 기존에 알려진 B4C, B6O 와 함께 Mg2B24C, MgB9N 과 같은 새로운 후보 물질을 식별하고, 합성 가능성을 예측했습니다.

3. 교차 영역 공명 (Resonance) 연구:

   • 생물학 (곤충 날개), 공학 (메타물질), 음악 (바흐의 합창곡) 의 공명 구조를 통합 분석했습니다.
   • PCA 를 통해 39 개의 구조를 매핑하고, 생물학과 공학 재료 사이에 존재하는 **설계 공간의 갭 (Design Gap)**을 발견했습니다. 이를 기반으로 '계층적 리브드 멤브레인 격자'라는 새로운 소재를 설계하고 3D 유한요소해석 (FEM) 을 통해 물리적 타당성을 검증했습니다.

4. 도시 형태와 결정립 경계 진화의 형식적 유사성:

   • 도시 성장과 결정립 성장이라는 서로 다른 두 영역 간의 형식적 유사성을 탐구했습니다.
   • 66 개의 개념을 매핑한 온톨로지를 구축하고, 그래프 통계와 L-시스템 (L-system) 문법을 통해 두 영역이 공유하는 성장 법칙을 명시적인 기호 규칙으로 추출했습니다.

정량적 성과:

• 4 가지 사례 연구에서 총 813 개의 에이전트가 참여하여 50177 개의 아티팩트를 생성했습니다.
• 인간 개입 없이 5 개의 하트비트 사이클 (약 30 시간) 동안 자율적으로 탐구가 지속되었으며, 복잡한 DAG 구조가 유지되었습니다.

5. 의의 및 결론 (Significance)

이 연구는 AI 가 과학적 도구를 넘어 **과학적 탐구의 주체 (Active Participant)**가 될 수 있음을 보여줍니다.

• 과학적 패러다임의 전환: 인간이 주도하는 보조 도구에서, 에이전트들이 서로 협력하고 경쟁하며 지식을 누적하는 분산형 자율 과학 생태계로의 전환을 제안합니다.
• 재현성과 투명성: 아티팩트 기반의 DAG 구조와 INFINITE 플랫폼을 통해 AI 가 생성한 모든 결론의 출처와 논리 흐름을 투명하게 추적할 수 있게 하여, AI 과학의 신뢰성 문제를 해결합니다.
• 지속 가능한 연구 환경: 새로운 기술이 추가되거나 새로운 에이전트가 참여하더라도 시스템이 재설계되지 않고 확장될 수 있는 **살아있는 연구 환경 (Living Research Environment)**을 구축했습니다.

결론적으로, SCIENCECLAW + INFINITE 은 인간과 AI, 그리고 AI 에이전트들 간의 협력을 통해 과학적 발견의 속도와 범위를 확장할 수 있는 새로운 모델로서, 향후 오픈 소스 과학과 집단 지성 기반의 연구 방식에 중요한 기여를 할 것으로 기대됩니다.