AI에게 과학적 모델 구축을 가르치기

과학적 모델링의 진화

과학적 모델링은 역사적으로 이론적 가정에 기반하여 모델을 구축하고, 실험 데이터에 맞게 제약 조건을 설정하며, 결과를 해석하여 통찰을 얻는 3단계 과정을 거쳐 왔습니다. Hodgkin과 Huxley와 같은 인간 과학자들이 과거에 이러한 단계를 수동으로 수행했으며 종종 수주 간의 계산이 필요했지만, 이제 AI 시스템은 이러한 작업을 점점 더 자동화할 수 있게 되었습니다. 여전히 남아 있는 주요 과제는 단순히 데이터를 복제하는 모델만으로는 부족하다는 점입니다. 진정한 과학적 진보는 모델이 왜 작동하는지, 그리고 어떤 특징이 필수적이고 어떤 것이 부수적인지를 이해하는 데 필요합니다.

시뮬레이션 기반 추론을 통한 모델 제약

모델 제약(실험 측정값에 맞게 매개변수를 조정하는 과정)은 AI가 가장 큰 진전을 이룬 분야입니다. 전통적인 방법은 여러 매개변수 조합이 동일한 결과를 생성하여 근본적인 불확실성을 숨길 수 있는 복잡한 시스템에서 종종 어려움을 겪습니다.

시뮬레이션 기반 추론(SBI)은 신경망을 활용하여 모델 출력을 이를 생성했을 수 있는 매개변수 범위로 다시 매핑함으로써 이 문제를 해결합니다. 연구자들은 시뮬레이터를 수백만 번 실행함으로써 몇 초 만에 추론을 수행하도록 모델을 훈련할 수 있습니다. 이 접근 방식은 단일 "최적 적합(best fit)"이 아닌 그럴듯한 매개변수의 확률 분포를 제공하므로 데이터가 잘 제약된 곳과 추가 실험이 필요한 곳을 과학자가 식별할 수 있게 해주어 특히 강력합니다.

모델 구축 자동화

매개변수 튜닝을 넘어, 이제 AI 에이전트는 모델 자체의 구조를 설계하는 데 사용되고 있습니다. 대규모 언어 모델(LLM)을 활용하여 이러한 에이전트는 자연어 설명과 실험 데이터를 기반으로 후보 방정식을 제안하고, 관측치를 정확하게 복제할 때까지 반복적으로 개선할 수 있습니다.

그러나 이러한 기능은 새로운 위험을 초래합니다. 성공적인 모델 하나만 반환하는 에이전트는 똑같이 유효한 다른 대안들을 가릴 수 있습니다. 과학적 엄밀함을 유지하기 위해 연구자들은 모델 구축을 모델 제약과 동일하게 취급할 것을 권장합니다. 즉, 그럴듯한 모델의 분포를 생성하고 데이터에 대한 자연스러운 적합도를 기준으로 가중치를 부여하는 것입니다. 이를 통해 과학자들은 모든 성공적인 모델에서 공유되는 특징이 무엇인지 확인할 수 있으며, 이는 발견을 위한 보다 강력한 기반을 제공합니다.

해석의 과제

해석은 수치적 정확성에서 개념적 이해로 나아가야 하기 때문에 자동화하기 가장 어려운 단계로 남아 있습니다. 모델이 시뮬레이션을 실행하지 않고도 결과를 추론할 수 있게 한다면 그 모델은 "이해 가능한(intelligible)" 것으로 간주됩니다. AI는 근본적인 설계 원리를 드러내는 코드를 생성하여 도움을 줄 수 있지만, 궁극적인 목표는 모델의 어떤 부분이 데이터에 의해 고정되어 있고 어떤 대안이 과정 중에 배제되었는지에 대한 설명을 인간 과학자에게 제공하는 것입니다.

과학적 발견의 확장

AI 도구가 복잡한 모델을 구축하고 테스트하는 장벽을 낮춤에 따라 과학적 탐구의 규모가 확장되고 있습니다. 연구자들은 이제 전체 뇌의 신경 구조와 같이 수동 모델링으로는 너무 복잡하다고 여겨졌던 시스템에 이러한 방법을 적용하고 있습니다. 이러한 고차원 공간에서 목표는 단 하나의 "정답" 모델을 찾는 것에서 데이터와 호환되는 모든 모델이 공유하는 속성을 식별하는 것으로 이동합니다. 과학적 AI의 미래는 단순히 답을 제공하는 것이 아니라 발견 과정을 전달하여 얻은 통찰력이 인간 연구자에게 계속 접근 가능하도록 보장하는 시스템에 있습니다.