기술 요약: 유추 추론을 통한 과학 분야 LLM 창의성 해방

문제 제기

자율 과학 발견, 특히 바이오의학과 같은 복잡한 분야에서는 열린 문제 (open-ended problems) 에 대한 새롭고 다양한 해결책을 생성할 수 있는 AI 시스템에 의존합니다. 그러나 현재 대규모 언어 모델 (LLM) 은 열린 해결책 생성 과제를 수행할 때 모드 붕괴 (mode collapse) 현상이 뚜렷하게 나타납니다. LLM 은 광범위한 탐색 공간을 탐색하는 대신, 알파폴드 (AlphaFold) 와 같은 단백질 접힘의 표준 해법과 같은 의미적으로 유사하고 확률이 높은 생성물에 수렴하여 잠재적 발견의 다양성을 심각하게 제한합니다. 이러한 다양성 부족은 AI 시스템이 자율 과학의 효과적인 엔진으로 기능하는 능력을 저해합니다. 연구자들은 기존 패러다임에 대한 조기 수렴을 피하고 문제를 여러 각도에서 해결하기 위해 광범위한 후보 해결책의 배열이 필요하기 때문입니다.

방법론

저자들은 모드 붕괴를 완화하고 해결책의 다양성을 향상시키기 위한 구조화된 접근법으로 유추 추론 (Analogical Reasoning, AR) 을 제시합니다. 이 방법론은 인지과학의 구조 매핑 이론 (structure-mapping theory) 에 기반을 두고 있으며, 유추를 피상적인 객체 유사성이 아닌 기본 영역 (base domain) 과 대상 영역 (target domain) 간의 공유된 관계적 구조의 매핑으로 정의합니다.

AR 파이프라인은 두 단계 프로세스로 작동합니다:

1. 추출: 연구 문제 $p$가 주어지면, LLM 에이전트는 문제에 내재된 객체 집합 ($O_p$) 과 관계 ($R_p$) 를 추출합니다. 그런 다음 유사한 관계적 구조를 공유하는 교차 영역 연구 문제에 대한 유추를 생성합니다. 이러한 유추는 문제 영역과 유사한 영역 간의 객체 매핑 ($M$) 과 공유 관계 집합 ($R_a$) 으로 형식화됩니다.
2. 탐색: 두 번째 LLM 에이전트는 생성된 유추 (특히 객체 매핑과 공유 관계) 를 활용하여 유사한 영역 내에서 기존 해결책, 알고리즘 또는 방법을 검색합니다. 에이전트는 공유된 관계적 구조를 해결하고 원래 바이오의학적 문제로 이전할 수 있는 해결책을 찾도록 프롬프트를 받습니다.

이 접근법은 두 가지 기준선과 비교됩니다:

• 도메인 없음 기준선 (No-domain Baseline): 도메인 제약 없이 LLM 에 직접 해결책을 찾도록 프롬프트를 보냅니다.
• 교차 영역 기준선 (Cross-domain Baseline): LLM 에 다른 영역에서 해결책을 찾도록 프롬프트를 보내지만, 중간 유추 구조 (객체 매핑 및 공유 관계) 를 명시적으로 생성하지는 않습니다.

평가에는 교차 영역 유추를 활용한 266 편의 바이오의학 논문으로 구성된 큐레이션된 'AR 데이터셋'에서 추출된 50 개의 연구 문제가 사용됩니다. 연구는 세 가지 LLM(Claude Sonnet 4.5, GPT-5.2, Gemini 3 Flash) 을 활용하며, 생성 다양성, 해결책 신규성, 유추 품질이라는 세 가지 축에서 출력을 평가합니다.

주요 기여

1. 모드 붕괴의 정량화: 이 논문은 열린 과학 해결책 생성에서의 모드 붕괴를 체계적으로 정량화한 최초의 연구로, 기준선 LLM 이 좁은 범위의 고확률 해결책으로 수렴하는 저다양성 출력을 생성함을 입증합니다.
2. 유추 추론 프레임워크: 저자들은 해결책 탐색 공간을 확장하기 위한 구체적인 메커니즘으로 AR 을 제안하고 구현합니다. 서로 다른 영역 간의 관계적 구조를 명시적으로 매핑하도록 모델을 강제함으로써, AR 은 새롭고 자명하지 않은 해결책으로 탐색을 이끕니다.
3. 인간 및 자동화된 검증: 연구는 LLM 판정 지표와 인간 주석 연구를 통해 AR 생성 해결책의 신규성과 품질을 검증했으며, 자동화된 점수와 전문가 판단 간의 강력한 정합성을 보여주었습니다.
4. 실제 세계 실현 가능성: 저자들은 네 가지 서로 다른 바이오의학 사례 연구를 구현하여 AR 의 실용적 유용성을 입증했으며, AR 생성 접근법이 실제 작업에서 최첨단 또는 경쟁력 있는 성과를 달성할 수 있음을 보였습니다.

결과

다양성과 신규성

• 모드 붕괴 완화: AR 은 생성 다양성 측면에서 기준선을 크게 능가합니다. 이는 기준선에 비해 도메인 벤디 점수 (Domain Vendi Score, 의미적 다양성 지표) 를 100115% 향상시키고, 해결책 벤디 점수 (Solution Vendi Score) 를 90173% 향상시킵니다.
• 신규성: AR 은 LLM 에 따라 50.4% 에서 68.9% 로 50% 이상의 빈도로 새로운 해결책을 생성하는 반면, 도메인 없음 기준선은 새로운 해결책을 거의 찾지 못합니다 (최소 1.6%). 인간 쌍별 선호도 연구에서 AR 해결책은 교차 영역 기준선 해결책보다 78% 의 빈도로 더 새로운 것으로 평가되었습니다.
• 유추 품질: AR 은 도메인 거리 (Domain Distance) (도메인 없음 기준선보다 3 배 높음) 와 신규성 점수가 훨씬 높은 유추를 생성하며, 이는 AR 이 시스템 생물학과 경제학, 약물 설계와 체스 전술과 같이 매우 이질적인 분야를 성공적으로 연결함을 나타냅니다.

사례 연구 성과

저자들은 네 가지 바이오의학 문제에 대해 AR 생성 해결책을 구현하여 일관된 정량적 개선을 달성했습니다:

1. 교란 효과 예측: 시스템 생물학을 경제학에 매핑함으로써, AR 은 유한 혼합 모델 (Finite Mixture Models, FMM) 사용을 제안했습니다. 이 접근법은 잠재적 가법 (Latent Additive, LA) 기준선에 비해 MMD PCA 분포 지표에서 거의 13 배 개선 (점수를 1.65 에서 0.13 으로 감소) 을 달성하여 단일 세포 이질성을 더 잘 포착했습니다.
2. 세포 - 세포 간 상호작용 추론: 통신 기술을 생물학에 매핑함으로써, AR 은 신호 대 잡음비 (Signal-to-Noise Ratio, SNR) 분석을 제안했습니다. 이 방법은 OpenProblems 리간드 - 표적 벤치마크에서 AUPRC 지표 (0.248) 로 최첨단 성능을 달성하여 기존 14 개 기준선을 능가했습니다.
3. 뇌 영역 상호작용: 통신 네트워크를 신경과학에 매핑함으로써, AR 은 PCMCI (Peter and Clark Momentary Conditional Independence) 방법을 식별했습니다. 이 접근법은 출판된 방법과 높은 스피어만 상관관계 ($\rho=0.729$) 를 보이며 반구 간 결합 신호를 성공적으로 분리하고 행동 결과에 대한 예측 능력을 동등하게 유지했습니다.
4. 올리고뉴클레오타이드 특성 예측: 체스 전술을 약물 설계에 매핑함으로써, AR 은 점진적 평가를 적용한 말 - 칸 테이블 (Piece-Square Tables, PST) 을 제안했습니다. 이 방법은 위치 의존적 효과를 인코딩하여 선형 기준선을 개선함으로써 올리고뉴클레오타이드 특성 예측을 위한 6 개 데이터셋 중 2 개에서 최첨단 성능을 달성했습니다.

의의

이 논문은 유추 추론을 자율 과학의 미래를 위한 중요한 '다양성 엔진'으로 위치시킵니다. 저자들은 AI 시스템이 과학적 파이프라인의 더 많은 부분을 담당함에 따라, 표준 해법으로 수렴하는 것을 피하기 위해 프레임워크가 진화해야 한다고 주장합니다. AR 은 LLM 의 교차 영역 추론 잠재력을 활용하여 기존 해결책 생성 방법의 탐색 공간을 확장하는 역할을 합니다.

이 연구는 AR 이 이론적으로 타당할 뿐만 아니라 실제로 실현 가능하여, 실제 바이오의학 맥락에서 구현 및 검증될 수 있는 고품질이고 새로운 해결책을 생성함을 보여줍니다. 저자들은 이 접근법이 계산 비용이 적게 든다는 점 (문제당 약 0.02 달러) 을 지적하여 확장 가능하다고 강조합니다. 현재 평가는 바이오의학 문제에 국한되어 있지만, 이 프레임워크는 도메인 중립적이므로 과학적 학문 전반에 광범위하게 적용될 수 있음을 시사합니다. 논문은 새로운 가설 생성에 엄격한 안전성 및 실현 가능성 평가가 동반된다면, AR 이 고립된 영역을 연결하여 과학적 혁신을 주도하는 데 필수적인 단계라고 결론지었습니다.