AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation

AUTOSCIENTISTS는 중앙 조율 없이 장기 과학 실험을 수행하도록 설계된 분산형 자기 조직화 멀티에이전트 프레임워크다.

AutoScientists는 중앙 계획자 없이 여러 AI 에이전트가 장기 계산 과학 실험을 병렬로 수행하는 프레임워크다. 에이전트들은 공유 실험 상태를 보고 유망한 가설 주위에 팀을 만들며, 계산 자원을 쓰기 전에 서로 비평하고 성공과 실패를 공유해 중복 탐색을 줄인다. 같은 실험 예산에서 BioML-Bench 24개 과제의 평균 순위 백분위 74.4%를 기록해 가장 강한 기존 에이전트보다 8.33% 높았다. 언어 모델 학습 최적화에서는 목표 검증 지표에 Autoresearch보다 1.9배 빨리 도달했고, ProteinGym 217개 분석에 적용한 방법은 기존 최고치보다 스피어만 상관을 6.5% 높였다. 다만 일부 비교는 공개 벤치마크의 원래 하드웨어와 다른 통합 GPU 환경에서 수행됐고, 세부 통찰 중 일부는 한 과제·한 백엔드·한 실행에서 나온 만큼 일반성 해석에 주의가 필요하다.

핵심 요약

• 공유 포럼(F): 에이전트들이 구조화된 토론을 게시하고, 특정 변경이 왜 효과적이었는지 가설을 세우며, 다른 에이전트의 제안을 비판하는 공간이다.
• 분석가 제거: 이는 제안 품질의 상당한 저하로 이어졌는데, 실험 에이전트들이 중복되거나 근거가 빈약한 시도를 피할 전략적 감독을 갖추지 못했기 때문이다.
• 에이전트 간 피드백 제거: 동료 비평을 비활성화하자 '잘못된 출발'의 비율이 높아졌는데, 이는 다른 에이전트가 쉽게 결함을 식별할 수 있었던 가설을 시스템이 추구하는 경우였다.

논문 링크

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