중국 연구진, '실제 AI 과학자' 생성에서 돌파구

최근 베이징 대학과 동부 공과대학(EIT)의 중국 연구진들은 기존 데이터 중심 접근 방식과 달리 사전 지식을 갖춘 기계 학습 모델을 훈련하도록 설계된 획기적인 프레임워크를 공개했습니다. 연구진들은 딥러닝 모델이 과학 연구에 미치는 변혁적 영향을 강조하며, 방대한 데이터 세트에서 의미 있는 관계를 추출하는 능력을 강조합니다. 이 프레임워크는 중력 같은 물리 법칙에 대한 이해 부족으로 인해 특정 실제 상호작용을 정확하게 시뮬레이션하는 데 어려움을 겪는 오픈AI의 소라(Sora)와 같은 기존 모델의 한계를 해결합니다.

과학 연구를 혁신한 것으로 유명한 딥러닝 모델은 주로 물리 법칙이나 수학적 논리와 같은 사전 지식을 통합하기보다는 광범위한 데이터를 기반으로 훈련됩니다. 그러나 베이징 대학과 동부 공과대학의 연구진들은 패러다임 전환을 제안합니다. 연구팀은 훈련 중 데이터와 사전 지식을 결합하면 더 정확하고 정보에 기반한 기계 학습 모델을 얻을 수 있다고 제안합니다.

도전 과제는 기능적 관계, 방정식, 논리를 포함한 사전 지식의 어떤 측면을 통합하여 모델 붕괴를 유발하지 않으면서도 더 나은 사전 학습을 촉진할지 결정하는 데 있습니다. 천윈티안(Chen Yuntian) 교수는 방대한 양의 지식과 규칙으로 모델을 범람시키는 것이 종종 현재 정보 기반 기계 학습 모델에서 어려움이나 실패로 이어진다고 강조합니다.

규칙 중요도 평가 프레임워크

이러한 도전을 극복하기 위해 연구진들은 규칙의 가치를 평가하고 딥러닝 모델의 예측 능력을 향상시키는 최적의 조합을 결정하는 프레임워크를 개발했습니다. 베이징 대학의 연구원이자 제1 저자인 쉬하오(Xu Hao)는 이 프레임워크가 특정 규칙이나 조합이 모델의 예측 정확도에 미치는 영향을 분석하여 '규칙 중요도(rule importance)'를 계산한다고 설명합니다.

이 접근 방식은 데이터와 지식의 영향을 균형 있게 맞추어 딥러닝 모델의 효율성과 추론 능력을 향상시키는 것을 목표로 합니다. 연구팀은 인간의 지식을 AI 모델에 임베딩하면 실제 세계 반영도가 크게 향상되어 과학 및 공학 분야에서 더 적용 가능해질 것으로 예상합니다.

연구진들은 다변량 방정식을 해결하는 모델과 화학 실험 결과를 예측하는 모델을 최적화하여 프레임워크를 테스트했습니다. 천 교수는 단기적으로 이 프레임워크는 잠재적인 악영향을 피하기 위해 물리 법칙과의 일관성이 중요한 과학 모델에서 가장 유용한 응용 분야를 찾을 것이라고 제안합니다.

유망한 결과에도 불구하고, 연구진은 한 가지 도전을 인정합니다. 모델에 더 많은 데이터가 추가됨에 따라 일반 규칙이 특정 지역 규칙보다 더 중요해집니다. 그러나 일반 규칙이 종종 부족한 생물학 및 화학 분야에서는 이러한 관찰이 상당한 이점을 제공하지 않습니다.

자율적 AI 과학자를 향해

앞으로 연구팀은 프레임워크를 한 단계 더 발전시켜 인간 개입 없이 AI가 데이터에서 직접 지식과 규칙을 식별할 수 있도록 하는 것을 목표로 합니다. 궁극적인 목표는 모델을 진정한 AI 과학자로 변화시키는 폐쇄 루프를 만드는 것입니다. 천은 이 발전을 AI 자율성으로의 중요한 단계로 보고 있으며, 연구팀은 이 전환을 촉진하기 위해 AI 개발자를 위한 오픈 소스 플러그인 도구를 적극적으로 개발 중입니다.