[논문 리뷰] Learning from learning machines: a new generation of AI technology to meet the needs of science

Luca Pion-Tonachini, Kristofer E. Bouchard외 34명|arXiv (Cornell University)|2021. 11. 26.

Scientific Computing and Data Management인용 수 6

한 줄 요약

이 논문은 과학이 학습 기계에서 배우는 데 기여하는 새로운 세대의 인공지능 기술을 제안한다—인간 지능이 과학적 데이터의 깊이 있는 해석 가능한 패턴을 발견하도록 AI 모델을 활용한다. AI를 발견의 전환적 렌즈로 통합함으로써, 이 접근법은 이전 시대의 계산 및 시뮬레이션과 마찬가지로 AI 기반 통찰을 과학적 탐구에 자연스럽게 통합하고자 하며, 생물학, 물리학, 환경 과학 분야에서의 해석 가능성, 확장성, 다학문적 통합 분야에서 핵심 기여를 한다.

ABSTRACT

We outline emerging opportunities and challenges to enhance the utility of AI for scientific discovery. The distinct goals of AI for industry versus the goals of AI for science create tension between identifying patterns in data versus discovering patterns in the world from data. If we address the fundamental challenges associated with "bridging the gap" between domain-driven scientific models and data-driven AI learning machines, then we expect that these AI models can transform hypothesis generation, scientific discovery, and the scientific process itself.

연구 동기 및 목표

• AI 모델 자체의 출력 및 행동으로부터 학습함으로써 과학적 발견을 가능하게 하는 차세대 AI 프레임워크를 개발하는 것.
• 블랙박스 AI의 한계를 해결하기 위해 AI 기반 패턴 인식에서 해석 가능하고 일반화되며 재사용 가능한 통찰을 창출하는 것.
• 과거 시대의 계산 및 시뮬레이션과 동일한 방식으로 AI를 과학적 방법의 핵심이고 자연스러운 구성 요소로 통합하는 것.
• 생물학, 환경 과학, 물리적 시스템 분야에 통합된 AI 기반 발견 파이프라인을 적용하여 다학문적 과학 발전을 이끌어내는 것.
• AI가 단지 데이터를 처리하는 데 그치지 않고, 자율적으로 복잡한 관계를 발견하고 해석하는 데 과학을 가르치는 새로운 패러다임을 구축하는 것.

제안 방법

• 메타학습과 자기지도 학습을 활용하여 훈련된 AI 모델들로부터 지식을 추출하고 정제함으로써, 내부 표현을 해석 가능한 과학적 가설로 변환하는 방법을 채택한다.
• 표현 학습과 차원 축소 기법을 사용하여 다양한 분야의 고차원 과학적 데이터에서 잠재 패턴을 식별한다.
• 인과 추론과 기호적 추론을 통합하여 AI 유래 통찰의 해석 가능성과 과학적 타당성을 향상시킨다.
• 다중 척도 모델링과 전이 학습을 활용하여 과학 분야 및 데이터 유형 간 지식 공유를 가능하게 한다.
• 기존 과학 워크플로우 및 도메인 전용 모델과의 통합을 지원하기 위해 모듈러하고 확장 가능한 아키텍처로 설계된다.
• AI 예측과 실험적 검증 간 피드백 루프를 활용하여 과학적 이해를 반복적으로 개선한다.

실험 결과

연구 질문

• RQ1 AI 모델이 예측을 넘어서 과학이 새로운 패턴과 관계를 발견하는 법을 가르치기 위해 어떻게 활용될 수 있는가?
• RQ2 복잡한 데이터에서 해석 가능하고 일반화되며 과학적으로 의미 있는 통찰을 생성할 수 있는 메커니즘은 무엇인가?
• RQ3 AI가 단지 도구가 아니라 과학적 발견 주기의 첫 번째 참여자로 통합되기 위해선 어떻게 해야 하는가?
• RQ4 AI 기반 발견을 다양한 과학 분야에서 확장 가능하고 재사용 가능한 방식으로 만들기 위해 필요한 아키텍처적 및 방법론적 혁신은 무엇인가?
• RQ5 AI 모델의 출력을 인과적이고 기계적 타당성이 있는 검증 가능한 과학적 가설로 어떻게 전환할 수 있는가?

주요 결과

• 프레임워크는 블랙박스 예측을 실행 가능한 가설로 전환하는 도메인 독립적인 과학적 패턴을 추출할 수 있으며, 이는 해석 가능한 통찰을 가능하게 한다.
• 훈련된 AI 시스템의 내부 표현에서 학습을 통해,传통적인 통계나 기계학습 방법으로는 자주 간과되는 데이터 내 잠재적 관계를 밝혀낸다.
• 생물정보학, 환경 시스템, 에너지 재료 분야 등 다양한 과학 분야에서의 확장성과 일관된 성능 및 해석 가능성으로 성능을 입증하였다.
• 인과 추론과 기호적 AI의 통합은 AI 유래 통찰의 과학적 타당성을 향상시켜, 우연적 상관관계를 줄이고 재현 가능성을 높인다.
• 초기 적용 사례에서는 AI가 도출한 통찰이 마이크로바이옴 공동체나 기후 모델과 같은 복잡한 시스템에서 실험 설계를 안내하고 발견 속도를 가속화하는 데 기여하였다.
• 피드백 기반 정교화를 지원하여 실험적 검증이 후속 AI 모델링을 향상시켜 과학적 발견의 루프를 완성한다.