당신이 탐정이 되어 미스터리를 풀고 있다고 상상해 보십시오. 하지만 당신의 단서는 지문이나 발자국이 아니라 숫자입니다. 당신은 온도, 속도, 또는 화학 반응과 같은 데이터 포인트 더미를 가지고 있으며, 당신의 목표는 이들이 어떻게 서로 어우러지는지를 설명하는 숨겨진 "비밀 레시피"(수학적 방정식)를 찾는 것입니다. 이 분야를 **기호 회귀(Symbolic Regression)**라고 부릅니다. 이것은 마치 과자 부스러기를 맛보는 것만으로 케이크의 레시피를 역설계하려는 것과 같습니다. 당신은 단순히 맛이 어떤지를 맞히는 것이 아니라, 정확한 재료 목록과 굽는 단계들을 알아내고자 하는 것입니다.

오랫동안 컴퓨터는 수백만 개의 무작위 레시피를 추측하고 확인하는 방식으로 이 문제를 해결하려 노력해 왔습니다. 하지만 최근 우리는 컴퓨터에게 새로운 초능력을 부여했습니다: 바로 **대규모 언어 모델(LLM)**입니다. 이들은 거의 모든 책을 읽은 매우 똑똑한 로봇이라고 생각하면 됩니다. 이들은 언어를 이해하고 패턴을 포착하는 데 탁월하며, 과학자들은 이들이 우리를 위해 비밀 레시피를 쉽게 써 내려갈 수 있기를 희망했습니다. 하지만 문제가 있습니다. 이 똑똑한 로봇들은 가끔 현재 가진 부스러기의 맛을 정확하게 만드는 데 너무 집중한 나머지, 좋은 레시피라면 다른 오븐에서 굽거나 약간 다른 재료를 사용하더라도 작동해야 한다는 사실을 잊어버리곤 합니다. 또한 그들은 레시피가 얼마나 복잡한지는 무시하는 경향이 있어, 간단한 3단계 안내서 대신 10페이지짜리 지침서를 써내기도 합니다.

여기서 새로운 연구팀이 참신한 아이디어와 함께 등장합니다. 그들은 MOT-SR(다목적 도구 증강 과학 방정식 발견, Multi-Objective Tool-augmented Scientific Equation Discovery)이라는 시스템을 구축했습니다. 단순히 로봇이 추측하게 두는 대신, 그들에게 "과학적 도구 상자"와 따라야 할 엄격한 규칙을 준 것입니다. 음식을 맛만 보는 것이 아니라, 왜 그 음식이 그런 맛이 나는지 이해하기 위해 온도계, 저울, 현미경을 사용하는 마스터 셰프를 상상해 보십시오. MOT-SR은 이 도구들을 사용하여 먼저 데이터를 분석한 다음, 로봇에게 단순히 정확할 뿐만 아니라 새로운 상황에서도 작동할 만큼 단순하고 견고한 방정식을 쓰도록 요청합니다.

연구진은 박테리아의 성장부터 재료의 신축성에 이르기까지 40가지의 서로 다른 퍼즐을 대상으로 이 시스템을 테스트했습니다. 그들은 MOT-SR이 이전 방식들보다 "비밀 레시피"를 찾는 데 훨씬 더 뛰어나다는 것을 발견했습니다. 이 시스템은 단순히 정답을 맞히는 데 그치지 않고, 더 단순하면서도 조건이 변했을 때 더 잘 작동하는 답을 찾아냈습니다. 하지만 진짜 시험은 우주의 먼 곳에서 온 문제, 즉 두 개의 블랙홀이 서로를 향해 나선형으로 회전하며 빨려 들어가는 춤을 모델링하는 문제였습니다. 이 시나리오에서는 방정식에 아주 작은 실수만 있어도 시간이 흐른 뒤 컴퓨터가 블랙홀의 궤도를 놓치게 됩니다. MOT-SR은 작은 보정 공식을 발견하여 블랙홀이 올바른 경로를 유지하도록 했으며, 다른 방법들과 비교했을 때 오차를 엄청난 수준으로 줄였습니다. 이는 단순한 도구와 단순성 및 정확성의 균형 잡힌 접근 방식을 결합함으로써, 우리가 우주의 근본 법칙을 더 신뢰할 수 있게 발견하도록 컴퓨터를 도울 수 있음을 입증했습니다.

핵심 아이디어: 도구를 갖춘 탐정

이 논문은 과학자들을 오랫동안 괴롭혀온 문제, 즉 어떻게 하면 컴퓨터가 지저받은 지저분한 데이터 속에 숨겨진 가장 단순하고 정확한 수학 방정식을 찾게 할 것인가를 다룹니다. 최근의 AI 모델(LLM)들이 가능성을 보여주었지만, 저자들은 그들에게 두 가지 주요 결함이 있다고 주장합니다. 첫째, 그들은 변수 사이의 구체적인 관계에 대해 "맹목적"입니다. 즉, 데이터의 구조를 실제로 이해하지 못한 채 추측만 합니다. 둘째, 그들은 보통 한 가지만 신경 씁니다: 바로 지금 당장의 숫자들을 완벽하게 맞추는 것입니다. 이는 "과적합(overfitting)"으로 이어지는데, AI가 주어진 특정 데이터 포인트들을 암기해 버려서 새로운 데이터를 마주했을 때 처참하게 실패하게 만듭니다. 이는 개념을 이해하지 못한 채 연습 시험의 답만 외운 학생이 실제 시험에서 낙제하는 것과 같습니다.

이를 해결하기 위해 저자들은 협력하는 과학자 팀처럼 작동하는 MOT-SR 프레임워크를 제안합니다. 이 시스템은 두 명의 주요 AI "캐릭터"와 함께 루프 형태로 작동합니다.

1. 메타 전략 생성기(Meta Strategy Generator): 이 캐릭터는 탐정입니다. 새로운 방정식을 요청하기 전에, 이 탐정은 외부 도구 세트(상관관계 체크 도구, 주파수 분석기, 인과 관계 발견 도구 등)를 사용하여 데이터를 조사합니다. 이 탐정은 "이 두 변수가 동시에 움직이고 있는가?" 또는 "여기에 숨겨진 리듬이 있는가?"와 같은 질문을 던집니다. 그런 다음 이러한 발견을 바탕으로 "탐색 전략"을 작성합니다.
2. 방정식 생성기(Equation Generator): 이 캐릭터는 작가입니다. 이 작가는 탐정의 전략을 받아 새로운 후보 방정식들을 생성합니다.

결정적으로, MOT-SR은 단 하나의 점수만을 기준으로 "최고의" 방정식을 찾지 않습니다. 이 시스템은 세 가지 측면에서 동시에 모든 방정식을 평가하는 **다목적 평가(Multi-Objective Evaluation)**를 수행합니다.

• 정확도(Accuracy): 주어진 데이터에 잘 맞는가?
• 일반화(Generalization): 보지 못한 데이터(특히 데이터셋의 "가장자리" 데이터)에서도 작동하는가?
• 복잡도(Complexity): 방정식이 단순하고 읽기 쉬운가, 아니면 엉킨 실타래처럼 복잡한가?

시스템은 "파레토 프런트(Pareto front)"를 유지하는데, 이는 본질적으로 최적의 절충안들을 모아놓은 리더보드와 같습니다. 이 시스템은 매우 정확하지만 불가능할 정도로 복잡한 방정식이나, 단순하지만 터무니없이 부정확한 방정식을 받아들이기를 거부합니다. 시스템은 계속해서 탐색을 정교화하며, 나쁜 아이디어는 버리고 가장 유망한 아이디어에 집중합니다.

결과: 벤치마크에서 블랙홀까지

저자들은 흔들리는 진자(pendulum)와 같은 진동 시스템, 생물학적 성장(대장균 박테리아), 재료 응력 테스트를 포함한 다양한 표준 과학 퍼즐에 대해 MOT-SR을 테스트했습니다. 그들은 이를 기존 방식 및 다른 AI 기반 접근 방식과 비교했습니다.

결과는 명확했습니다. MOT-SR은 경쟁 모델들을 일관되로 압도했습니다. 표준 벤치마크에서 이 시스템은 현저히 낮은 오차를 가진 방정식들을 찾아냈습니다. 예를 들어, 한 진동 작업에서 MOT-SR은 약 $1.27 \times 10^{-15}$의 오차율을 달 기록했는데, 이는 사실상 제로에 가까운 수치이며, 다른 방법들은 약 $10^{-5}$ 정도의 오차에 머물러 있었습니다. 또한 훨씬 더 간결하고(짧고 단순하며) 새로운 데이터에 더 잘 일반화되는 방정식들을 찾아냈습니다.

하지만 진짜 "보스 레벨" 테스트는 천체 물리학 분야였습니다. 연구진은 MOT-SR을 극한 질량비 중력파 유입(EMRIs) 문제에 적용했습니다. 이는 작은 밀집 천체(예: 중성자별)가 거대한 블랙홀 속으로 나선형으로 빨려 들어가는 시나리오입니다. 이는 미래의 우주 기반 중력파 검출기들에게 매우 중요한 문제입니다. 이 물리 현상은 매우 민감합니다. 만약 방정식에 아주 작은 오류라도 있다면, 처음 몇 초 동안은 괜찮아 보일지 몰라도 수천 번의 궤도를 도는 과정에서 그 작은 오차가 누적되어, 블랙홀의 예측 경로가 완전히 틀려지게 됩니다.

이 테스트에서 MOT-SR은 약간의 오차가 있는 알려진 근사치(PN5)를 수정하기 위한 보정 공식을 찾는 임무를 맡았습니다. 시스템은 컴팩트한 기호 보정식을 발견했습니다. 연구진이 이 새로운 공식이 학습 중에 한 번도 본 적 없는 30개의 완전히 새로운 블랙홀 구성에 대해 테스트했을 때, 결과는 놀라웠습니다.

• MOT-SR 보정의 오차는 기존 최고의 AI 방식(LLM-SR)보다 약 26.8배 낮았습니다.
• 뉴럴 네트워크 베이스라인보다는 약 세 자릿수(1,000배) 더 뛰어났습니다.
• 가장 중요한 것은, 시뮬레이션을 오래 실행할수록(수년의 시간을 시뮬레이션함에 따라) 뉴럴 네트워크 베이스라인의 오차는 거대하게 커진 반면, MOT-SR의 오차는 매우 작고 안정적으로 유지되었습니다.

이것이 의미하는 바

이 논문은 AI의 잠재력을 완전히 끌어올리는 열쇠가 단순히 AI를 더 "똑똑하게" 만들거나 더 많은 데이터를 주는 것이 아니라는 점을 시사합니다. 그것은 데이터를 분석할 수 있는 적절한 도구를 제공하고, 정확도와 단순성 그리고 견고함 사이의 균형을 맞추도록 강제하는 것입니다. 인간의 과학적 과정—데이터 분석, 가설 형성, 그리고 여러 기준에 따른 검증—을 모방함으로써, MOT-SR은 단순히 수학적으로 옳은 것이 아니라 물리적으로 의미 있고 장기간에도 신뢰할 수 있는 방정식을 찾아낼 수 있습니다.

저자들은 이것이 시뮬레이션이자 벤치마크 연구임을 주의 깊게 밝히고 있습니다. 그들이 아직 세상을 바꿀 새로운 물리 법칙을 발견한 것은 아니지만, 이를 수행할 수 있는 강력한 새로운 방법론을 입증했다는 것입니다. 또한 현재 시스템이 고정된 도구 세트와 목적 함수에 의존하고 있음을 지적하며, 향 향후 연구에서는 새로운 도구의 발견을 자동화하고 훨씬 더 복잡한 고차원 데이터를 다룰 수 있어야 한다고 언급했습니다. 그러나 EMRI 문제에서의 성공은 이 접근 방식이 정밀도가 무엇보다 중요한 복잡한 장기 과학 역학 모델링에 있어 게임 체인저가 될 수 있음을 시사합니다.