Model Discovery Agent: LLM-assisted Bayesian experiment design for data-efficient discovery of mechanistic world models

LLM이 가설을 제안하고 베이지안 실험 설계가 가장 배울 게 많은 실험을 골라, 적은 실험만으로 시스템의 인과 메커니즘 모델을 찾아내는 자율 과학 에이전트(MDA)를 만든 논문.

이 논문은 한마디로 LLM과 베이지안 실험 설계를 결합해, 적은 실험 횟수로 시스템의 작동 원리(메커니즘 모델)를 찾아내는 자율 발견 에이전트다. '이 약을 투여하면 어떻게 될까' 같은 개입 질문에는 곡선 맞춤이 아니라 진짜 인과 모델이 필요한데, 그런 모델은 실험을 해야만 알 수 있고 실험은 비싸다. MDA는 LLM이 후보 모델 구조를 제안하고, 순차 몬테카를로(SMC, 입자로 믿음을 갱신하는 추론 기법)로 모델 확률을 계산하고, 정보 가치(VoI) 최대화로 다음 실험을 고른다. 물리·화학·생물 세 벤치마크에서 순수 LLM 방식보다 훨씬 적은 데이터로 새 최고 성능을 냈다.

핵심 요약

• 관찰만 한 데이터로는 인과 구조를 특정할 수 없다는 통찰이 출발점이다. 답을 얻으려면 직접 개입하는 실험이 필요하다.
• LLM은 가설 제안자, 베이지안 기계(SMC·SBI·VoI)는 검증과 실험 설계 담당으로 역할을 나눴다.
• 현재 가설 집합에 정답이 없을 때(M-open 상황) 예측 검사로 부족함을 감지하고, LLM이 새 모형을 추가해 탐색 공간을 스스로 넓힌다.
• 발견과 실험 설계가 서로를 강화한다. 설계된 실험이 제안된 메커니즘을 확인하고, 확인된 메커니즘이 예측을 좋게 만들어 잔여 오차에서 다음 발견이 가능해진다.
• 부분 관측 상황의 단일 뉴런 전기생리학 벤치마크(NEURONBENCH)를 새로 만들었다.

논문 링크

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