Structured Scaling of AI Discovery Across Diverse Scientific Domains
이 논문은 반복적인 궤적 전반에 걸쳐 평가 신호를 구조화하고 이력을 선택적으로 재사용함으로써 AI 기반 과학적 발견을 체계화하는 프레임워크인 SIMPLETES를 소개하며, 이를 통해 단일 오픈 소스 모델이 28개의 다양한 과학 분야에서 최첨단 성능을 달고 결과 기반 사후 학습을 통해 더욱 향상될 수 있음을 보여준다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
과학은 오랫동안 시행착오의 순환에 의존해 왔다. 연구자가 아이디어를 제안하고, 이를 자연 법칙이나 문제의 제약 조건에 비추어 테스트한 다음, 그 결과를 바탕으로 다음 시도를 개선하는 방식이다. 수십 년 동안 인공지능은 결과값을 예측하거나 알려진 변수를 최적화하는 특화된 도구로서 이 루프에 참여해 왔다. 최근에는 언어 모델이 후보 솔루션을 생성하고, 이를 테스트할 코드를 작성하며, 피드백을 바탕으로 자신의 작업을 수정하는 등 마치 연구자 자신처럼 행동하기 시작했다. 그러나 단순히 컴퓨터에게 더 많은 아이디어를 시도하라고 요구하는 것이 더 나은 발견을 보장하지는 않는다. 만약 시스템이 명확한 구조 없이 수천 번의 시도를 생성한다면, 많은 시도가 중복되거나 과정이 막다른 길을 개선하는 데 갇힐 수 있다. 핵심 과제는 단순히 시도의 횟수를 늘리는 것이 아니라, 모든 테스트가 지난 테스트를 바탕으로 축적되어 시간이 흐름에 따라 진보가 복리로 쌓일 수 있도록 그 확장을 조직화하는 것이다.
한 연구자는 이 문제를 해결하기 위해 SIMPLETES라는 새로운 프레임워크를 도입했다. 그들은 하나의 거대한 인공지능 모델이나 복잡하게 맞춤 제작된 검색 엔진에 의존하는 대신, 탐색 과정 자체를 어떻게 구조화할 것인가에 집중했다. 그들은 발견의 루프를 하나의 과학 공동체처럼 취급했다. 즉, 여러 개의 독립적인 탐구 경로를 병렬로 실행하고, 각 경로가 시간이 지남에 따라 최고의 아이디어를 정교화하도록 하며, 어떤 실패와 성공을 다음 단계의 시도와 공유할지 신중하게 선택하는 방식이다. 단 하나의 오픈 소스 언어 모델을 사용하여, 이 시스템은 양자 물리학, 심우주 여행, 순수 수학 등 다양한 분야에 걸친 28가지의 개방형 문제를 해결했다. 모든 경우에서 이 시스템은 인간 전문가나 다른 고급 AI 시스템의 최선 결과보다 더 나은 솔루션을 찾아냈으며, 종종 훨씬 적은 컴퓨팅 자원을 사용했다.
연구자는 탐색이 어떻게 조직되느냐가 이를 실행하는 모델의 크기보다 더 중요하다는 것을 입증했다. 그들은 우주선을 위한 연료 효율적인 궤적 설계부터 가장 빠른 컴퓨터 칩에서 실행되는 코드를 최적화하는 작업에 이르기까지 다양한 과제로 프레임워크를 테스트했다. 우주 여행 분야에서 이 시스템은 목성 및 다른 행성 미션을 위한 비행 경로를 재설계하여, 역사적 기록과 비교했을 때 연료 비용을 최대 23%까지 줄이는 경로를 찾아냈다. 양자 컴퓨팅에서는 칩 위에 데이터를 배치하는 새로운 방법을 발견하여 정보를 이동하는 데 필요한 추가 연산을 거의 25% 줄였다. 또한, 1955년부터 미해결 상태였던 중첩 집합에 관한 문제를 포함하여 수십 년 동안 풀리지 않았던 수학적 문제들에 대한 새로운 컴퓨터 코드를 작성했다. 시스템은 기존의 최고 기록을 경신하는 솔루션을 찾아냈으며, 이는 특정 작업에 대한 인간의 개입이나 특화된 훈련 없이 이루어졌다.
가장 중요한 발견 중 หนึ่ง은 시스템이 자신의 탐색 과정을 통해 스스로 더 나아질 수 있다는 점이었다. 연구자는 시스템이 발견한 성공적인 경로들을 가져와 언어 모델을 추가로 학습시켰다. 모델에게 단 한 번의 시도에서 좋은 점수를 받는 것에 보상을 주는 대신, 전체 탐색 여정의 최종 결과에 가치를 두도록 가르쳤다. 이를 통해 모델은 겉보기에 좋지 않은 초기 시도가 나중에 돌파구를 마련하기 위한 필수적인 단계일 수 있다는 것을 배울 수 있었다. 새로운 수학 문제들에 대해 테스트했을 때, 이렇게 훈련된 모델은 원래의 시스템보다 훨씬 더 진보된 솔루션을 찾아내며 이전에 가능하다고 생각되었던 한계를 밀어붙였다.
이러한 접근 방식의 성공은 탐색의 조직화 자체가 강력한 도구임을 시사한다. 평가 과정을 다양성을 장려하고 반복적인 정교화를 촉진하도록 구조화함으로써, 연구자는 상대적으로 평범한 오픈 소스 모델 하나가 훨씬 더 큰 독점 모델으로 구축된 시스템을 능가할 수 있음을 보여주었다. 이 프레임워크는 단 하나의 좋은 답을 찾는 데 그치지 않고, 매우 다양한 과학 영역에서 작동하는 일반적인 발견 방법을 확립했다. 뇌 활동을 분석하기 위한 더 나은 알고리즘을 설계하는 것부터 인공지능을 위한 더 빠른 소프트웨어를 만드는 것에 이르기까지, 이 시스템은 구조화된 평가 중심의 접근 방식이 과학적 진보를 가속화할 수 있음을 증명했다. 이 결과는 AI 기반 발견의 미래가 더 큰 뇌를 만드는 것보다, 그 뇌가 미지의 세계를 탐험하는 더 똑똑한 방식을 설계하는 데 달려 있을 수 있음을 나타낸다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.