SciMARS: Multi-Agent Recursive Self-Improvement for Closed-Loop Scientific Discovery

이 논문은 닫힌 순환 과학 발견에서 멀티에이전트 팀의 역할, 조율, 메모리 정책을 각각 따로 고치는 재귀 자기개선 프레임워크를 제안했다.

이 논문은 한마디로 과학 발견의 닫힌 순환에서 멀티에이전트 하니스를 역할과 조율, 메모리 정책으로 분리해 적응시키는 SciMARS 프레임워크를 소개한다. 공유 증거 그래프가 관찰과 발견, 미해결 질문을 역할 사이에 전달하고, 각 편집기가 자기 영역만 고친 뒤 후보를 탐색해 다음 하니스를 구성하고 선택한다. Autonomous Science Bench에서 GPT-6-Astra로 18회 중 12회를 해결해 기본 팀의 8회를 넘었고 ScienceAgentBench 38과제 중 14, AppWorld 20과제 중 11을 풀었다. 공유 메모리와 하니스 적응을 결합할 때 성능이 올라간다는 것을 보여준다.

핵심 요약

• SciMARS는 멀티에이전트 팀의 역할 절차와 조율 계약을 별도 편집기가 따로 고치는 재귀 자기개선 프레임워크다.
• 공유 증거 그래프가 관찰, 발견, 계획, 미해결 질문을 출처와 함께 기록해 역할 사이에 전달한다.
• SciMARS + Memory는 에이전트가 증거를 기록하고 검색하고 받는 방식을 고치는 세 번째 편집기를 추가한다.
• Autonomous Science Bench에서 GPT-6-Astra로 18회 중 12회를 해결해 기본 팀의 8회를 앞섰다.
• ScienceAgentBench 38과제 중 14를, AppWorld 20과제 중 11을 풀어 기본 팀의 11과 5를 넘었다.
• GLM-5.3 코호트에서는 18회 중 2회 해결로 기본 팀 1회보다 소폭 앞섰다.

논문 링크

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