중국 연구진, '진정한 AI 과학자' 양성에 획기적인 성과 달성

최근 베이징대학교와 동방공업대학(EIT)의 중국 연구진이 기존의 데이터 중심 학습 방식에서 벗어나 사전 지식을 활용해 머신러닝 모델을 학습시키는 획기적인 프레임워크를 공개했습니다. 연구진은 딥러닝 모델이 과학 연구에 미치는 혁신적인 영향, 특히 방대한 데이터셋에서 의미 있는 관계를trac내는 능력에 주목했습니다. 이 프레임워크는 중력과 같은 물리 법칙에 대한 이해 부족으로 특정 현실 세계의 상호작용을 정확하게 시뮬레이션하는 데 어려움을 겪는 OpenAI의 Sora와 같은 기존 모델의 한계를 해결합니다.

과학 연구에 혁명을 일으킨 것으로 유명한 딥러닝 모델은 물리 법칙이나matic논리와 같은 사전 지식을 활용하기보다는 주로 방대한 데이터에 의존하여 학습합니다. 그러나 베이징 대학과 동방공업대학의 연구진은 이러한 패러다임의 전환을 제안합니다. 연구팀은 학습 과정에서 데이터와 사전 지식을 결합하면 더욱 정확하고 정보에 기반한 머신러닝 모델을 만들 수 있다고 주장합니다.

문제는 모델 붕괴 없이 더 나은 사전 학습을 촉진하기 위해 함수 관계, 방정식, 논리 등 사전 지식의 어떤 측면을 통합해야 하는지 결정하는 것입니다. 천윤티안 교수는 모델에 방대한 양의 지식과 규칙을 너무 많이 적용하면 현재의 정보 기반 머신 러닝 모델에서 종종 어려움을 겪거나 실패하게 된다고 강조합니다.

규칙 중요도 평가를 위한 프레임워크

이러한 문제를 극복하기 위해 연구진은 규칙의 가치를 평가하고 딥러닝 모델의 예측 능력을 향상시키는 최적의 조합을 결정하는 프레임워크를 개발했습니다. 제1저자이자 베이징대학교 연구원인 쉬하오(Xu Hao)는 자신들의 프레임워크가 특정 규칙이나 조합이 모델의 예측 정확도에 미치는 영향을 분석하여 "규칙 중요도"를 계산한다고 설명합니다.

이 접근 방식은 데이터와 지식의 영향력 균형을 맞춰 딥러닝 모델의 효율성과 추론 능력을 향상시키는 것을 목표로 합니다. 연구팀은 인간의 지식을 AI 모델에 접목함으로써 모델의 현실 반영 능력을 크게 향상시키고 과학 및 공학 분야에서의 활용도를 높일 수 있을 것으로 기대합니다.

연구진은 다변수 방정식을 푸는 모델과 화학 실험 결과를 예측하는 모델을 최적화하여 자신들의 프레임워크를 검증했습니다. 첸은 단기적으로 이 프레임워크가 물리 법칙과의 일관성이 필수적인 과학 모델, 특히 잠재적인 부작용을 피해야 하는 모델에서 가장 유용하게 활용될 것이라고 제안합니다.

고무적인 결과에도 불구하고, 연구팀은 한 가지 과제를 인정합니다. 모델에 데이터가 추가될수록 일반적인 규칙이 특정한 지역적 규칙보다 더 중요해진다는 것입니다. 하지만 이러한 관찰 결과는 일반적인 규칙이 부족한 생물학이나 화학과 같은 분야에서는 큰 이점을 제공하지 못합니다.

자율적인 AI 과학자들을 향하여

앞으로 연구팀은 인공지능이 인간의 개입 없이 데이터로부터 직접 지식과 규칙을dent할 수 있도록 프레임워크를 한 단계 더 발전시키는 것을 목표로 하고 있습니다. 궁극적인 목표는 모델을 진정한 인공지능 과학자로 변모시키는 폐쇄 루프를 구축하는 것입니다. 첸 교수는 이러한 개발이 인공지능 자율성으로 나아가는 중요한 발걸음이 될 것이라고 생각하며, 연구팀은 이러한 전환을 촉진하기 위해 인공지능 개발자를 위한 오픈 소스 플러그인 도구를 적극적으로 개발하고 있습니다.