오늘 끝나면
가설 생성
- ✓가설 생성의 핵심 문제를 한 문장으로 설명한다
- ✓오른쪽 실습에서 가설이 어떻게 움직이는지 관찰한다
- ✓다음 강의와 이어지는 한계를 말할 수 있다
실습 미션
무엇을 시험할까 — AI의 아이디어 이 문장이 실제로 무슨 뜻인지 실습에서 한 번 손으로 확인한다.
성공 조건
- □실습의 기본값을 먼저 관찰
- □입력값이나 모드를 한 번 이상 바꿔 결과 비교
- □왜 결과가 바뀌었는지 한 문장으로 설명
Autonomous Lab · 07
가설
생성
자율연구실의 첫 단추는 “무엇을 시험할까”다.
LLM 과학자가 지식과 데이터에서 후보 가설을 낸다.
너무 뻔하지도, 너무 황당하지도 않게 고른다.
무엇을 시험할까
클로즈드 루프는 가설에서 실험으로, 측정과 분석을 거쳐 다음 가설로 돈다. 그 첫 칸이 가설 생성이다.
로봇은 시킨 실험만 한다. 무엇을 시킬지는 누가 정하나?
예전엔 사람 연구자가 정했다. 자율연구실은 이 칸도 자동화한다.
가설은 “이 조성이 이 온도에서 더 안정할 것” 같은 검증 대상 한 줄이다.
A-Lab(버클리·2023)은 이 가설을 논문 텍스트와 계산 DB에서 뽑아 17일간 41개 신소재를 합성했다.
Coscientist(카네기멜런·2023)는 GPT-4가 문헌을 읽고 실험을 계획하고 수행했다.
LLM이 지식 + 데이터에서 후보를 낸다
LLM 과학자는 무에서 만들지 않는다. 쌓인 지식과 우리 데이터를 섞어 후보를 낸다.
재료는 셋이다.
논문과 교과서로 학습한 도메인 지식이 첫째다.
Materials Project 같은 구조·물성 DB가 둘째다.
이 연구실이 지금까지 돌린 실험 기록이 셋째다.
이걸 합쳐 “아직 아무도 안 해본 조합”을 후보로 제안한다.
단순 패턴 매칭이 아니라, 알려진 규칙에서 빈칸을 짚는 일이다.
그래서 검증 안 된 추측이고, 다음 단계인 실험이 진위를 가린다.
“아직 아무도 안 해본 조합” 한 줄
신규성 vs 검증가능성
좋은 가설은 두 축을 동시에 만족한다. 신규성과 검증가능성이다.
신규성이 0이면 이미 아는 사실이라 실험할 가치가 없다.
신규성만 크고 검증가능성이 0이면 장비로 확인 못 하는 황당한 소리다.
그래서 너무 뻔하지도, 너무 황당하지도 않은 가운데 띠를 노린다.
능동학습은 여기에 “정보 이득”을 더한다. 결과가 가장 안 보이는 실험이 가장 많이 배우게 한다.
모르는 영역을 콕 찔러 불확실성을 깎는 게 핵심이다.
가운데 띠 = 신규하면서도 실험으로 확인 가능한 자리
지식 그래프에서 미탐색 연결을 찾는다
점들은 개념이고, 선은 알려진 관계다.
아직 선이 없는 두 점을 이으면 그게 가설 후보다.
멀리 떨어진 점일수록 신규성이 크고, 가까운 이웃을 거쳐 닿을 수 있으면 검증가능성이 크다.
각 후보엔 신규성·검증성 점수와 종합 점수가 붙는다.
이게 능동학습이 다음 실험을 고르는 방식의 축소판이다.
┄┄ 점선 = 아직 없는 연결 = 가설 후보
가설: “리튬과(와) 나트륨을(를) 잇는 새 조합이 유효할 것”, 먼 연결이라 신규성이 크다.
좋은 질문이 좋은 발견이다
루프가 아무리 빨라도, 첫 질문이 나쁘면 빠르게 헛돈다.
로봇과 분석과 재가설은 가설을 충실히 따른다. 가설이 평범하면 결과도 평범하다.
반대로 날카로운 질문 하나가 수백 번의 실험을 의미 있게 만든다.
그래서 자율연구실의 진짜 지능은 손이 아니라 질문에 있다.
신규성과 검증가능성과 정보 이득을 저울질해 다음 한 줄을 잘 고르는 능력이다.
Q. 좋은 자동 가설의 조건은? (이미 아는 사실 · 신규하고 검증 가능 · 장비로 확인 불가한 추측 · 무작위 조합)
정답은 신규하고 검증 가능이다.이미 아는 사실은 신규성이 0이라 배울 게 없다.
장비로 확인 못 하면 검증가능성이 0이라 루프를 못 닫는다.
신규하면서도 실험으로 진위를 가릴 수 있어야 좋은 가설이다.
빠르게 헛돈다
같은 횟수, 더 많은 발견