Foundation Models for Scientific Discovery: From Paradigm Enhancement to Paradigm Transition

이 논문은 foundation model(FM)이 기존 과학 방법론을 돕는 데 그치는지 과학을 하는 방식 자체를 바꾸는지라는 물음을, 도구에서 협업자를 거쳐 자율 연구자로 가는 3단계 framework와 네 과학 paradigm별 FM 활용 검토로 다룬 position 논문이다.

이 논문은 한마디로 FM이 과학의 새 paradigm으로 가는 전환을 이끌기 시작했다고 주장하는 position 논문이다. 저자들은 FM의 역할을 기존 paradigm 안의 workflow를 돕는 Meta-Scientific Integration, 문제 설정과 추론에 함께 참여하는 Hybrid Human-AI Co-Creation, 최소한의 사람 개입으로 새 지식을 만드는 Autonomous Scientific Discovery의 3단계로 나눈다. 이 framework로 실험, 이론, 계산, 데이터 중심의 네 paradigm과 paradigm을 넘나드는 사례에서 FM 활용을 검토하고, 편향, hallucination, 재현성, 저자권과 책임의 네 위험과 세 연구 방향을 제시한다. 근거는 개념 framework와 기존 연구 검토이며, 저자들은 이 전환이 아직 초기 단계라고 밝혔다.

핵심 요약

• 문제: 저자들은 창발 현상, 열린 문제, 환원하기 어려운 복잡성을 다루는 과학이 늘면서 실험, 이론, 계산, 데이터 중심의 기존 네 paradigm의 한계가 더 뚜렷해졌다고 본다. 신약과 소재 설계에서는 후보 공간이 조합적으로 폭증해 전수 탐색이 불가능하고, 실험과 관측 데이터가 쌓이는 속도가 통합 이론을 세우는 능력을 앞질렀다고 지적한다. 그래서 FM이 기존 방법론을 돕는 데 그치는지, 과학을 하는 방식 자체를 바꾸는지를 묻는다.
• 주장: 이 논문은 개념 framework, 체계적 검토와 분류, 연구 의제를 기여로 내세우는 position 논문이다. 저자들은 FM이 과학 과정의 일부를 개선하는 데서 나아가 과학이 작동하는 paradigm 자체를 바꾸기 시작했다는 입장을 밝히고, 자율 단계가 실현되면 열리는 상태를 다섯 번째 과학 paradigm이라고 부른다. 반대 입장으로는 FM을 기존 방법론을 키우는 강력하지만 관습적인 도구로 보는 시각을 함께 소개한다.
• 분류: 1단계 Meta-Scientific Integration에서 FM은 사람이 정한 목표 안에서 데이터 전처리, 문헌 검색, 방법 맞추기 같은 절차를 자동화하는 backend 도구이고 자율성은 낮다. 2단계 Hybrid Human-AI Co-Creation에서 FM은 연구 질문, 가설, 실험 계획에 참여하는 협업자이지만 그 행동은 여전히 사람이 시작하고 제한하고 검증하며, 자율성은 중간이다. 3단계 Autonomous Scientific Discovery에서 FM은 질문 제기부터 실험이나 simulation 실행, 결과 해석까지 사람 감독이 최소한이거나 없는 상태로 수행하는 독립 agent이고, 저자들은 이 단계를 앞으로의 모습으로 그린다.
• 검토: 4절은 1단계와 2단계 초기 신호에 해당하는 사례를 네 paradigm별로 정리하는데, 실험 중심에서는 Bayesian optimization의 prior나 feature extractor로 쓰는 FM과 장비 제어용 Python script 생성을, 이론 중심에서는 knowledge graph로 이끄는 가설 생성과, LLM과 symbolic solver를 feedback loop로 잇는 Logic-LM, 증명 작성과 검증을 돕는 LeanCopilot 같은 형식 추론을 든다. 계산 중심에서는 그림이나 글을 방정식 골격으로 바꾸는 LLM-SR, FunSearch, Neural Operator, GraphCast를, 데이터 중심에서는 AlphaFold 2, ESMFold, MatterGen을, paradigm을 넘는 통합 사례로는 연구 목표를 기계가 실행할 protocol로 바꾸고 로봇 합성을 제어하는 Coscientist를 든다. 공식 저장소 README는 paradigm별 논문 목록과 함께 OpenAI Deep Research와 ChatGPT로 만든 주제 탐색, 문헌 조사, 문제 다듬기, 방법 설계, 실험 코드 예시 문서를 담고 있다.
• 위험과 방향: 저자들은 FM이 도구에서 자율 agent로 갈수록 커지는 위험으로 학습 데이터에서 온 편향과 인식적 공정성, 검증을 거치기 전의 그럴듯한 주장을 만드는 hallucination, 불투명한 의사결정에서 오는 재현성과 투명성 문제, 저자권과 책임과 연구 윤리의 네 가지를 든다. 대응책으로는 더 다양한 학습 데이터와 공정성 평가, symbolic logic 검사와 simulation 검증, human-in-the-loop 검토와 출처 추적, 추론 단계 기록과 model checkpoint 버전 관리, AI 기여의 투명한 공개를 요구하는 관리 체계를 제안한다. 앞으로의 방향으로는 실험실 로봇과 장비, digital twin 안에서 일하는 embodied scientific agent, 가설부터 실험과 분석까지 FM이 계속 이어서 하는 closed-loop 자율성, 지식을 계속 쌓고 고치는 continual learning의 세 가지를 든다.
• 한계: 주장의 근거는 개념 framework와 기존 연구 검토이고, 저자들은 이 전환이 아직 초기 단계이며 자율 발견 단계는 형성 단계에 있다고 밝혔다. 또 지금 FM 활용 대부분이 정해진 prompt, 미리 정한 task, 고정된 schema에 묶여 있고 지속 memory, 적응형 feedback, 물리적 embodiment가 대개 부족해, 기여가 대체로 반응적이고 연구 과정의 일부 단계에 그친다고 적었다. embodied agent의 고수준 계획과 저수준 제어 연결, closed loop의 noise와 목표 변화에 대한 견고성, continual learning의 이질적 task 사이 전이도 남은 과제로 든다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.