[논문 리뷰] Automated Scientific Discovery: From Equation Discovery to Autonomous Discovery Systems

Stefan Krämer, Mattia Cerrato외 3명|arXiv (Cornell University)|2023. 05. 03.

Scientific Computing and Data ManagementDecision Sciences인용 수 3

한 줄 요약

이 논문은 방정식 발견 및 기호적 회귀에서부터 완전히 자율적인 발견 시스템에 이르기까지 자동 과학적 발견의 종합적인 조사를 제시한다. 인간의 간섭 없이 작동하는 AI 시스템이 2050년까지 노벨상 수준의 과학적 발견을 이룰 수 있도록 목표로 하는, 점차 증가하는 자율성 수준을 갖춘 폐쇄형 과학적 발견 프레임워크를 도입한다. 이는 최종적으로 수준 5에 도달하며, 이는 인간의 개입 없이도 작동하는 AI 시스템을 의미한다.

ABSTRACT

The paper surveys automated scientific discovery, from equation discovery and symbolic regression to autonomous discovery systems and agents. It discusses the individual approaches from a "big picture" perspective and in context, but also discusses open issues and recent topics like the various roles of deep neural networks in this area, aiding in the discovery of human-interpretable knowledge. Further, we will present closed-loop scientific discovery systems, starting with the pioneering work on the Adam system up to current efforts in fields from material science to astronomy. Finally, we will elaborate on autonomy from a machine learning perspective, but also in analogy to the autonomy levels in autonomous driving. The maximal level, level five, is defined to require no human intervention at all in the production of scientific knowledge. Achieving this is one step towards solving the Nobel Turing Grand Challenge to develop AI Scientists: AI systems capable of making Nobel-quality scientific discoveries highly autonomously at a level comparable, and possibly superior, to the best human scientists by 2050.

연구 동기 및 목표

• 방정식 발견에서부터 완전히 자율적인 시스템에 이르기까지 자동 과학적 발견의 통합적 개요를 제공하기 위해.
• 딥 뉴럴 네트워크가 과학적 지식 발견의 해석 가능성과 효율성을 향상시키는 데서 수행하는 역할을 검토하기 위해.
• 과학적 발견의 자율성 수준을 정의하고 분석하며, 자율 주행차와의 유사성을 통해 설명하기 위해.
• 폐쇄형 과학적 발견 시스템이 고수준의 과학적 자율성 달성을 위해 필수적임을 입증하기 위해.
• 2050년까지 인간의 입력을 최소화하고도 노벨상 수준의 과학적 발견을 이룰 수 있는 AI 과학자라는 비전을 전개하기 위해.

제안 방법

• 자율 주행차의 다섯 단계 자율성 수준을 모델로 삼아 과학적 자율성에 대한 계층적 프레임워크를 제안한다.
• 기호적 회귀와 방정식 발견을 자동 과학적 추론의 기초 구성 요소로 통합한다.
• 딥 뉴럴 네트워크를 활용해 특징 추출, 가설 생성, 과학적 발견의 해석 가능성 향상에 기여한다.
• 가설을 반복적으로 생성하고, 실험을 설계하며, 데이터를 수집하고 모델을 보완하는 폐쇄형 시스템을 기술한다.
• 화학 및 생물학 분야에서 초기 자율적 발견 시스템의 기초 예시로 Adam 시스템을 사용한다.
• 재료 과학, 천문학 등 다양한 분야에 현대적 응용을 확장하여 프레임워크의 확장성과 일반성을 입증한다.

실험 결과

연구 질문

• RQ1 어떻게 방정식 발견에서부터 완전히 자율적인 시스템에 이르기까지 과학적 발견을 자동화할 수 있는가?
• RQ2 딥 뉴럴 네트워크는 과학적 발견의 해석 가능성과 효율성 향상에 어떤 역할을 하는가?
• RQ3 과학적 발견의 자율성 수준은 어떻게 체계화하고 측정할 수 있으며, 자율 주행차와의 유사성을 통해 어떻게 설명할 수 있는가?
• RQ4 폐쇄형 과학적 발견 시스템의 핵심 구성 요소와 설계 원칙은 무엇인가?
• RQ5 2050년까지 인간의 간섭을 최소화하고 AI 시스템이 노벨상 수준의 과학적 발견을 얼마나 달성할 수 있는가?

주요 결과

• 논문은 과학적 발견을 위한 다섯 단계 자율성 프레임워크를 수립하였으며, 수준 5는 인간의 참여 없이도 과학 지식 생산이 이루어지는 상태를 의미한다.
• Adam 시스템을 사례로 제시한 폐쇄형 발견 시스템은 자율적 가설 생성, 실험 수행, 모델 보완의 가능성을 입증한다.
• 딥 뉴럴 네트워크는 고차원 데이터 환경에서 과학적 발견 과정의 효율성과 해석 가능성 향상에 크게 기여한다.
• 기호적 회귀와 딥 러닝의 통합은 복잡한 데이터셋에서 인간이 이해할 수 있는 과학적 방정식을 발견하는 데 기여한다.
• 2050년까지 인간의 입력을 최소화하고도 노벨상 수준의 과학적 발견을 이룰 수 있는 AI 과학자라는 비전은 자율적이고 폐쇄형의 발견 시스템 개발에 기반한다.
• 논문은 자율적 발견 시스템의 발전을 노벨-튜링 대과제 해결을 위한 핵심 길로 위치시킨다.