[논문 리뷰] A Computational Inflection for Scientific Discovery

Tom Hope, Doug Downey외 3명|arXiv (Cornell University)|2022. 05. 04.

Scientific Computing and Data Management인용 수 4

한 줄 요약

이 논문은 과학적 발견을 위한 계산 프레임워크를 제안하며, 디지털 과학 문헌 자료와 대규모 언어 모델을 활용하여 연구에서 인지적 한계를 극복하고 작업 지시 기반 과학 지식 검색을 가능하게 한다. 연구자들이 문헌 검토, 아이디어 생성, 주의 집중 유도를 보다 효과적으로 수행할 수 있도록 AI 기반의 융합 및 개인화된 지식 모델링을 통한 지원을 제공하는 시스템을 도입함으로써, 정보의 기하급수적 증가에 대비해 인간의 과학적 추론 능력을 확장하고자 한다.

ABSTRACT

We stand at the foot of a significant inflection in the trajectory of scientific discovery. As society continues on its fast-paced digital transformation, so does humankind's collective scientific knowledge and discourse. We now read and write papers in digitized form, and a great deal of the formal and informal processes of science are captured digitally -- including papers, preprints and books, code and datasets, conference presentations, and interactions in social networks and collaboration and communication platforms. The transition has led to the creation and growth of a tremendous amount of information -- much of which is available for public access -- opening exciting opportunities for computational models and systems that analyze and harness it. In parallel, exponential growth in data processing power has fueled remarkable advances in artificial intelligence, including large neural language models capable of learning powerful representations from unstructured text. Dramatic changes in scientific communication -- such as the advent of the first scientific journal in the 17th century -- have historically catalyzed revolutions in scientific thought. The confluence of societal and computational trends suggests that computer science is poised to ignite a revolution in the scientific process itself.

연구 동기 및 목표

• 과학 지식의 기하급수적 증가와 인간 인지 능력의 정적 한계 사이의 격차를 해소하기 위해.
• 정보 과부하와 인지 편향으로 인해 연구자가 문헌을 따라가기 어렵고, 유망한 연구 방향을 식별하거나 통찰을 융합하는 데 어려움을 겪는 문제를 해결하기 위해.
• 특정 연구 작업에 맞게 관련 과학 지식을 검색하고 융합하여 제시하는 계산 시스템을 개발하여 발견 효율성을 향상시키기 위해.
• 디지털 트레이스와 동적 추론을 통해 연구자의 지식, 선호도, 목표를 모델링하여 인간과 AI 간 혼합 주도 협업을 가능하게 하기 위해.
• 주의 집중 유도, 연구 방향 우선순위 정하기, 복잡한 과학 정보 공간에서의 의미 이해 지원을 위한 확장 가능하고 원칙적인 도구를 설계하기 위해.

제안 방법

• 디지털 과학 문헌, 프린트, 코드, 협업 데이터 등 광범위한 자료에서 대규모 신경 언어 모델을 활용해 표현을 학습하기 위해.
• 특정 연구 작업에 기반해 관련 통찰, 설명 및 증거를 검색할 수 있는 작업 지시 기반 과학 지식 검색 시스템을 구현하기 위해.
• 연구자의 지식 상태, 관심사, 선호도를 노출된 행동을 통해 추론하기 위해 디지털 트레이스(예: 논문, 질의, 협업 로그)를 활용하기 위해.
• 인간-AI 협업을 통해 AI가 추정한 지식 격차와 개선 제안을 제시하는 혼합 주도 인터페이스를 개발하기 위해.
• 예측 및 가설 생성을 위한 머신러닝 파이프라인에 과학 지식의 검색 및 융합을 통합하기 위해.
• 웹 코머스 및 검색 개인화에서 영감을 얻은 동적 추론 및 개인화 기법을 활용해 사용자별 필요 조건과 제약을 모델링하기 위해.

실험 결과

연구 질문

• RQ1 어떻게 계산 시스템이 특정 연구 작업(예: 문헌 검토 또는 가설 생성)을 지원하기 위해 과학 지식을 효과적으로 검색하고 융합할 수 있는가?
• RQ2 디지털 트레이스가 연구자의 암묵적 지식, 선호도, 인지 상태를 얼마나 잘 드러내어 개인화된 AI 지원에 활용할 수 있는가?
• RQ3 사람의 주의가 제한된 상황에서 AI 시스템이 과학 분야에서 미비하게 다뤄진 영역이나 높은 불확실성 영역으로 연구자의 주의를 유도할 수 있는가?
• RQ4 AI 기반 발견 시스템을 실제 과학 워크플로우로 구현할 때 발생하는 주요 과제는 무엇이며, 이를 어떻게 완화할 수 있는가?
• RQ5 AI 모델이 연구 방향을 생성하고 우선순위를 정할 때 타당성, 독창성, 유용성을 어떻게 균형 있게 유지할 수 있는가?

주요 결과

• 과학적 논의의 디지털 전환은 광범위하고 공개 접근 가능한 과학 지식 자료를 창출하여, 계산 분석과 AI 기반 발견의 새로운 기회를 제공한다.
• 과학 텍스트로 훈련된 대규모 언어 모델은 특정 연구 작업에 관련된 통찰을 검색하고 융합하는 데 유용한 강력한 표현을 학습할 수 있다.
• 연구자의 디지털 트레이스(예: 발표 이력, 질의 패턴 등)는 지식 상태와 선호도를 추론하는 데 활용되어 개인화된 AI 지원을 가능하게 한다.
• 과학 분야에서 미비하게 다뤄진 영역이나 높은 불확실성 영역으로 주의를 유도하는 시스템은 인지 편향과 정보 과부하를 완화하는 데 기여할 수 있다.
• AI와 인간 이해 간의 괴리(IBM 워즈턴 헬스 시스템의 실패 사례로 나타남)와 같은 배포 과제가 존재하지만, 인간의 필요를 더 잘 모델링한다면 과학 워크플로우에 AI 통합은 여전히 실현 가능하다.
• 계산 지원의 점진적 발전조차도 과학적 진전을 척도적으로 가속화하는 데 상당한 성과를 이끌어낼 수 있다.