컴퓨터가 단순히 게임을 하거나 소셜 미디어를 스크롤하는 것을 넘어, 실제로 과학자들이 우주의 가장 까다로운 수수께끼를 해결하는 데 도움을 주는 세상을 상상해 보십시오. 이것이 바로 "과학을 위한 AI(AI for Science)"의 영역입니다. 여기서 인공지능은 사물이 어떻게 움직이고, 흐르고, 변화하는지를 이해하려는 연구자들의 지치지 않는 조력자 역할을 합니다. 이러한 신비로지의 중심에는 편미분 방정식(PDE)이라 불리는 방정식들이 있습니다. 이 방정식들을 자연의 궁극적인 규칙책이라고 생각하십시오. 이들은 금속 막대를 통해 열이 어떻게 퍼지는지, 배 주변으로 물이 어떻게 몰아치는지, 또는 바이러스가 군중 사이에서 어떻게 퍼져나가는지를 설명합니다. 수십 년 동안 인간은 이 규칙책을 풀기 위해 복잡한 컴퓨터 프로그램을 직접 작성해야 했으며, 이 과정은 느리고 어렵고 많은 전문 지식을 필요로 했습니다. 최근 과학자들은 챗봇을 구동하는 기술과 같은 종류의 특수한 AI인 "대규모 언어 모델(LLM)"을 사용하여 이러한 프로그램을 자동으로 작성하기 시작했습니다. 아이디어는 간단했습니다. AI에게 "이 방정식을 위한 솔버(solver)를 작성해줘"라고 요청하기만 하면 나머지는 AI가 알아서 할 것이라는 것이었습니다. 하지만 문제가 있었습니다. AI에게 가공되지 않은 컴퓨터 코드를 쓰라고 하는 것은, 갓 걸음마를 뗀 아이에게 느슨하게 흩어진 벽돌 상자를 주고 마천루를 지으라고 하는 것과 같습니다. AI는 종로가 꼬여서 코드가 괜찮아 보이지만 즉시 충돌하거나, 진짜 문제를 해결하는 대신 아주 작은 오타를 고치는 데 끝없는 루프에 빠져 허우적거리곤 합니다.

이것은 ADSL-PDE라고 불리는 새로운 접근 방식의 이야기입니다. 이 방식은 마치 흩어진 모래 더미 대신 미리 만들어진, 끼워 맞출 수 있는 레고 블록을 줌으로써 그 서투른 아이를 교정하려고 노력합니다. 셩신 콩(Shengxin Kong), 리웬 쉬(Liwen Xu), 징원 푸(Jingwen Fu)가 이끄는 연구진은 문제가 AI가 충분히 똑똑하지 않아서가 아니라, AI가 헤엄치고 있는 거대한 프로그램의 바다인 "탐색 공간(search space)"에 너무 많은 쓰레기가 가득 차 있다는 점을 깨달았습니다. AI가 생성할 수 있는 무작위 프로그램의 대부분은 고장 났거나, 호환되지 않거나, 단순히 말도 안 되는 것들이었습니다. 이를 해결하기 위해 그들은 PDE 솔버를 위한 특수한 "도메인 특화 언어(DSL)"를 발명했습니다. AI가 처음부터 생짜 파이썬 코드를 작성하게 하는 대신, 그들은 "심층 신경망을 선택하라", "물리적 제약 조건을 추가하라", 또는 "샘플링 전략을 변경하라"와 같이 AI가 고차원적인 결정을 내릴 수 있는 구조화된 언어를 만들었습니다. 그러면 컴퓨터 컴파일러가 이러한 고차원적인 선택들을 완-벽하고 작동 가능한 코드로 자동 변환합니다. 이는 마치 AI가 이제 설계도를 그리는 건축가가 되고, 컴파일러는 건물이 무너지지 않도록 보장하는 건설팀이 되는 것과 같습니다.

이 실험의 결과는 매우 유망합니다. 연구진이 단순한 1차원 흐름부터 복잡한 2D 및 3D 시뮬레이션에 이르기까지 다양한 수학 문제에 이 새로운 시스템을 테스트했을 때, ADSL-PDE 시스템은 생짜 코드를 쓰려고 했던 다른 AI 방법들보다 일관되게 우수한 성능을 보였습니다. 또한 연구에 명시된 특정 벤치마크에서도 인간이 설계한 솔버를 능가하는 경우가 많았습니다. 그러나 논문은 이것이 완전한 압승은 아니었다는 점도 언급했습니다. KS 방정식이나 Burgers-C와 같은 특정 작업에서는 Lang-PINN과 같은 다른 특화된 방법들이 실제로 약간 더 나은 성능을 보였습니다. 이러한 예외에도 불구하고, ADSL-PDE 시스템은 모든 작업에서 가장 낮은 "기하 평균" 오차를 기록했는데, 이는 전체적으로 가장 일관되게 강력한 성능을 보였다는 것을 의미합니다. 실제로 AI가 설계를 "진화"시키는 첫 10라운드 이내에 시스템은 성능을 52% 이상 향상시켰습니다. 이는 AI를 구조화되고 유효한 선택지로 제한함으로써, AI가 고장 난 코드를 만드는 데 시간을 낭비하는 것을 막고 큰 설계 결정을 내리는 데 두뇌를 집중하게 할 수 있음을 시사합니다. 이 논문은 이것이 단지 하나의 특정 문제에 대한 방법론이 아니라, 더 넓은 원칙임을 시사합니다. 즉, 과학 분야에서 AI로부터 최선의 결과를 얻으려면, AI에게 코더가 되라고 요구하는 대신 그 문제가 무엇인지 이해할 수 있는 특화된 언어를 제공해야 한다는 것입니다.

"스마트한 건축가" 대 "서투른 코더"의 이야기

이것이 어떻게 작동하는지 재미있는 비유를 통해 더 깊이 들어가 보겠습니다. 당신이 미로를 풀기 위한 궁극의 로봇을 만들려고 한다고 상상해 보십시오.

옛날 방식: 생짜 코드 생성기
과거에 연구자들은 AI에게 파이썬이라는 언어로 로봇의 전체 코드를 쓰라고 요청하여 이러한 수학 퍼즐을 풀게 하려 했습니다. 이것은 로봇에게 수백만 개의 무작위 나사, 전선, 기어를 담은 가방을 건네주며 "미로를 풀 수 있는 로봇을 만들어봐!"라고 말하는 것과 같습니다. AI는 미친 듯이 타이핑을 시작합니다. import gravity(존재하지 않는 명령)와 같은 줄을 쓰거나, 바퀴를 전구에 연결하려고 시도할 수도 있습니다. 대부분의 경우, 로봇은 시작하기도 전에 무너집니다. AI는 시간의 90%를 구문 오류(오타)를 수정하는 데 쓰고, 10%만을 미로를 푸는 방법에 대해 생각하는 데 씁니다. 이는 좌절감을 주며, 느리고, 로봇은 거의 작동하지 않습니다.

새로운 방식: ADSL-PDE (구조화된 청사진)
이 논문의 저자들은 이렇게 말했습니다. "잠깐만요. AI에게 정비사가 되라고 하지 말고 건축가가 되라고 합시다." 그들은 ADSL-PDE라고 불리는 특별한 언어를 만들었습니다.

생짜 코드를 쓰는 대신, 이제 AI는 구조화된 양식을 채웁니다. 이것은 마치 비디오 게임의 캐릭터 생성기와 같지만, 수학 솔버를 위한 것입니다. AI는 엔진의 코드를 직접 쓰지 않고, 메뉴에서 옵션을 선택하기만 하면 됩니다:

• 아키텍처(Architecture): "키가 크고 날씬한 뇌를 원합니까, 아니면 넓고 짧은 뇌를 원합니까?"
• 물리(Physics): "'에너지가 보존되어야 한다'라는 규칙을 추가할까요?"
• 샘플링(Sampling): "미로를 매 초마다 확인할까요, 아니면 10초마다 확인할까요?"

AI가 이러한 옵션을 선택하면, 마법 같은 "컴파일러"(컴퓨터 프로그램)가 이 선택들을 즉시 결합하여 작동하는 로봇을 만듭니다. 메뉴에는 오직 유효한 옵션만 있기 때문에, 로봇은 항상 작동합니다. AI는 고장 난 코드를 만드는 데 시간을 낭비하지 않습니다. 대신 "뇌를 더 깊게 만들면 미로를 더 빨리 풀 수 있을까?"와 같은 전략에 온전히 집중할 수 있습니다.

발견한 내용: "끼워 맞추기" 과학의 마법

연구진은 확산(Diffusion), 유체의 소용돌이(Burgers 방정식), 전기 흐름(Poisson 방정식) 등 방대한 수학 문제 목록을 대상으로 이 아이디어를 테스트했습니다. 그들은 이 새로운 "끼워 맞추기" 방식을 세 가지 다른 그룹과 비교했습니다:

1. 인간 전문가: 솔버를 수동으로 설계한 최고의 과학자들.
2. 기존 AI 탐색기: 숫자를 무작위로 조정하는 시스템.
3. 생짜 코드 AI: 파이썬 코드를 처음부터 쓰려고 시도하는 시스템.

결과:
ADSL-PDE 시스템은 챔피언이었습니다. 이 시스템은 무작위 탐색기들을 이겼을 뿐만 아니라, 나열된 대부분의 벤치마크에서 인간 전문가를 이겼습니다!

• 1D Burgers 문제에서, 가장 뛰어난 인간 설계 솔버의 오차는 약 0.0603이었습니다. ADSL-PDE 시스템은 이를 0.0022까지 낮췄습니다. 이는 엄청난 개선입니다.
• 까다로운 유체 문제인 2D Darcy Flow에서, 이 새로운 시스템은 0.0042의 오차를 달성하여 이전의 최고 방법들보다 훨씬 뛰어난 성과를 보였습니다.
• 모든 문제에 걸쳐, 이 새로운 시스템은 가장 낮은 "기하 평균" 오차를 기록했습니다. 이는 그것이 모든 분야에서 가장 일관된 승자였다는 뜻입니다. 비록 모든 개별 작업에서 승리한 것은 아니었지만(예를 들어, KS 및 Burgers-C 작업에서는 Lang-PINN이 가장 좋은 성능을 보였습니다), 전체적인 평균 성능은 가장 강력했습니다.

가장 멋진 발견 중 하나는 얼마나 빨리 학습했는가 하는 점이었습니다. 논문은 시스템이 진화의 첫 10라운드 만에 52% 이상 개선되었다고 언급합니다. 이것은 마치 학생에게 수학 문제를 가르쳤는데, 단 열 번의 연습 세션만으로 이전보다 두 배나 더 잘하게 된 것과 같습니다.

이것이 왜 중요한가: 단순히 "더 똑똑해지는" 것이 아니다

당신은 "그래서 AI가 더 똑똑해진 건가요?"라고 생각할지도 모릅니다. 꼭 그렇지는 않습니다. 논문은 더 흥eli로운 점을 시사합니다. AI가 반드시 더 똑똑해진 것이 아니라, 우리가 AI에게 말하는 방식이 더 좋아졌다는 것입니다.

연구진이 다양한 AI 모델(DeepSeek, Qwen, GLM 등)을 테스트했을 때, 심지어 "약한" 모델들도 ADSL-PDE 언어를 사용할 때 놀라울 정도로 잘 작동한다는 것을 발견했습니다. 이는 핵심 비결이 AI의 두뇌가 아니라, AI가 사용하는 언어에 있다는 것을 말해줍니다. AI에게 구조화되고 유효한 언어를 사용하도록 강제함으로써, 우리는 고장 난 코드라는 "노이즈"를 제거하고 AI의 추론 능력이 빛을 발하게 했습니다.

또한 논문은 몇 가지 사항을 배제했습니다. 단순히 AI에게 "구조화된 형식"(예: 체크리스트)을 주는 것만으로는 충분하지 않으며, 그 선택들을 실제 코드로 변환할 "컴파일러"가 반드시 필요하다는 것을 보여주었습니다. 또한 단순히 AI가 생짜 파이썬 코드를 쓰게 하는 것은 매우 비효적으로 판명되었으며, "통과율"이 매우 낮았습니다(30번의 시도 중 14번만 성공).

요약

이 논문은 과학 분야의 AI를 위한 새로운 규칙을 제시합니다: AI에게 더 큰 뇌를 주지 말고, 더 나은 언어를 주십시오.

물리학과 수학의 거대한 개념에 집중하면서 코딩의 지저분한 세부 사항을 숨겨주는 특화된 언어를 만듦으로써, 우리는 AI가 문제를 더 빠르고 신뢰성 있게 해결하도록 도울 수 있습니다. 이는 마치 우리가 더 이상 사람들에게 이진법(0과 1)으로 말하라고 요구하지 않고, 사용자 친화적인 인터페이스를 제공하는 것과 같습니다. ADSL-PDE는 우주의 가장 복잡한 수학 문제들을 위한 사용자 친화적인 인터페이스입니다. 그리고 가장 좋은 점은, 이것이 다양한 유형의 AI와 함께 작동한다는 것이며, 이는 이것이 더 나은 과학적 발견을 여는 보편적인 열쇠가 될 수 있음을 시사합니다.

그러므로 다음에 AI가 과학 문제를 풀려고 노력하는 것을 보게 된다면, 기억하십시오. 그것이 실패한다면 AI의 잘못이 아닐 수도 있습니다. 어쩌면 그저 가지고 놀 수 있는 더 나은 레고 블록이 필요한 것일지도 모릅니다.