경험적 연구 지원: AI 기반 코딩으로 과학적 발견 가속화

과학적 발견의 속도와 범위는 종종 지루하고 반복적인 계산 실험 작성, 테스트 및 정제 과정에 의해 병목 현상이 발생합니다. 이를 해결하기 위해 Google은 Gemini 기반의 시스템인 경험적 연구 지원(ERA)을 도입했으며, 이는 과학 코드를 최적화하는 작업을 자동화합니다. 최근 Nature에 발표된 논문에서 자세히 다루어진 바와 같이, ERA는 AI가 단순히 코드를 작성하는 것을 돕는 수준을 넘어, 특정 과학적 목표를 달성하기 위해 코드를 적극적으로 최적화하는 “Computational Discovery”로의 전환을 의미합니다.

ERA 작동 방식: 단순 코드 생성 이상의 기능

표준 AI 코딩 어시스턴트가 프롬프트에 따라 하나의 제안을 제공하는 것과 달리, ERA는 과학 연구의 경험적 특성을 위해 설계되었습니다. 과학적 문제와 정의된 성공 기준이 주어지면, ERA는 다음 단계들을 수행합니다:

  1. 문헌 검색: 과학 문헌을 스캔하여 관련 방법과 기술을 식별합니다.
  2. 코드 합성: 문제를 해결하기 위한 초기 계산 코드를 작성합니다.
  3. 반복 탐색: 트리 탐색 방식을 사용하여 ERA는 수천 가지 가능한 옵션을 고려하고, 다양한 기술을 결합하며 여러 해결책을 탐색합니다.
  4. 평가 및 최적화: 목표에 대한 결과를 지속적으로 평가하고, 코드를 정제하여 최적 상태에 이를 때까지 반복합니다.

이 루프를 통해 ERA는 단순 패턴 매칭을 넘어 인간 연구자들이 간과했을 수 있는 전문가 수준의 계산 모델을 발견할 수 있게 됩니다.

다양한 분야에서 전문가 수준의 성능

ERA의 역량을 검증하기 위해 Google은 유전체학, 공중 보건, 위성 이미지 분석, 신경과학 예측, 시계열 예측, 수학 등 다양한 벤치마크에서 시스템을 테스트했습니다. 결과는 ERA가 이 모든 분야에서 전문가 수준의 성능을 달성함을 보여주며, 전문 프로그래머가 아닌 과학자들에게도 고급 계산 모델링을 민주화할 수 있음을 시사합니다.

실제 과학적 적용 사례

Google은 ERA를 여러 개방형 과학 질문에 적용하여, 그 즉각적인 영향을 보여주는 일련의 원고를 제작했습니다:

공중 보건 및 환경

  • 역학 예측: ERA는 독감, COVID-19, RSV에 대한 미국 병원 입원자를 예측하는 데 사용되었습니다. 그 결과 예측은 CDC 순위표에서 지속적으로 상위 혹은 근접한 위치에 올랐습니다.
  • 캘리포니아 물 관리: ERA는 캘리포니아의 눈이 녹아 흐르는 강 유역에서 계절별 유출량을 예측하는 모델을 개발했습니다. 이 모델은 주의 공식 계절 물 공급 전망(Bulletin 120)보다 뛰어난 성능을 보여, 중요한 자원에 대한 보다 정확한 초기 예측을 제공했습니다.
  • 대기 CO2 매핑: 정지궤도 기상 위성 데이터를 활용하여 ERA는 전례 없는 해상도로 CO2 농도를 매핑하는 모델을 만들었으며, 인간에 의해 촉진된 도시 증가와 식물의 자연 흡수 주기를 포착했습니다.

공학 및 경제학

  • 태양 에너지 최적화: Google Antigravity와 협력하여 ERA는 태양광 패널 지형을 최적화했습니다. 산란된 복사를 뒤쪽 그림자 없이 포착하여 에너지 수집을 극대화하는 “500-삼각형 부피 팬” 설계를 발견했습니다.
  • 소매 예측: ERA는 거시경제 소매 판매 예측에 적용되어, 시카고 연준의 CARTS 월간 소매 예측 및 기타 상업적 합의 추정치와 동등하거나 그 이상의 정확도를 달성했습니다.

Computational Discovery로 가는 길

ERA는 현재 Gemini for Science 이니셔티브 하에 더 넓은 도구 모음의 기본 구성 요소입니다. 다음과 같은 다른 실험 도구와 함께 작동합니다:

  • Computational Discovery: ERA와 AlphaEvolve로 구축된 도구로, 계산 모델의 자동 발견을 수행합니다.
  • 가설 생성: AI Co-Scientist가 지원하는 이 도구는 과학적 방법의 초기 단계에서 새로운 가설을 제시함으로써 돕습니다.
  • 문헌 인사이트: 기존 과학 지식의 종합을 간소화하도록 설계된 도구입니다.

이 도구들을 통합함으로써 Google은 문헌 읽기와 가설 생성부터 이를 입증하기 위한 경험적 코드 작성 및 최적화에 이르는 과학적 방법의 다양한 단계를 지원하고자 합니다.

Sources