HypoEvolve, 유전 알고리즘으로 LLM 과학 가설을 진화시키다

과학적 아이디어는 대개 하나의 완성된 답으로 등장하지 않는다. 여러 설명이 경쟁하고, 일부가 결합되며, 비판을 거쳐 수정되고, 증거와 맞지 않는 후보가 탈락하는 과정을 통해 검증할 만한 가설로 발전한다. HypoEvolve는 이러한 과정을 여러 대규모 언어 모델(LLM)이 참여하는 연구팀의 작업 방식으로 구현하려는 프레임워크다.

협업을 명시적인 실험 변수로 만들기

과학 에이전트는 문헌과 증거를 종합하고, 설명을 제안하며, 후보 가설을 비판하고, 수정안을 만드는 데 활용되고 있다. 하지만 여러 에이전트를 결합했을 때 결과가 좋아진다면 그 원인이 에이전트의 과학적 능력인지, 협업 방식인지 구분하기 어렵다.

HypoEvolve는 이 문제를 협업 규칙의 명시화로 다룬다. 각 에이전트의 과학적 역할은 유지하면서 가설을 어떻게 생성하고 결합하며 수정·평가하고 다음 단계에 남길지 규정한다. 즉, 여러 모델이 자유롭게 토론하는 방식이 아니라 협업 자체를 설계하고 변경하며 비교할 수 있는 시스템 요소로 취급한다.

가설 집단을 세대별로 갱신하는 구조

방법의 중심에는 세대형 유전 알고리즘이 있다. 시스템은 여러 후보 가설을 하나의 집단으로 유지하고, 전문화된 에이전트가 다음과 같은 작업을 분담한다.

• 개입이 어떤 방식으로 작동할지 기전적 논거를 구성한다.
• 가설의 전제를 다시 살펴 근거가 부족한 추론을 찾는다.
• 외부 증거가 후보 가설을 얼마나 뒷받침하는지 평가한다.
• 가설이 명확하고 실험적으로 검증 가능한지 판단한다.
• 평가 결과를 반영해 다음 세대를 만들고 유지할 후보를 고른다.

여기서 진화하는 대상은 수치 매개변수가 아니라 생물학적 설명을 담은 자연어 가설이다. 세대가 바뀔 때마다 과학적 판단이 개입하므로, 비판·결합·수정·선별 규칙이 가설의 품질과 다양성에 어떤 영향을 주는지 비교할 수 있다.

암 치료제 재창출로 검증

연구는 단순히 그럴듯하게 들리는 문장이 아니라, 특정 개입이 왜 작동할 수 있는지 설명하는 기전적 가설에 초점을 맞춘다. 적용 분야는 기존 약물을 새로운 생물학적 표적이나 질병 메커니즘과 연결하는 암 치료제 재창출이다.

모델의 자기평가에만 의존하지 않기 위해 외부 생물학적 자료도 활용한다. DepMap과 Open Targets는 실험적·유전적·임상적 정보에 기반한 상호 보완적 평가 자료로 사용된다. 이러한 자료와의 일치가 인과적 메커니즘이나 치료 효과를 입증하는 것은 아니다. 다만 AI가 만든 설명이 표적 수준에서 독립적인 생물학적 근거와 연결되는지 살펴볼 기준을 제공한다.

의미와 한계

HypoEvolve의 가장 중요한 기여는 다중 에이전트 협업을 모호한 개념에서 실험 가능한 설계 요소로 바꾼 데 있다. 에이전트의 능력과 역할을 크게 바꾸지 않은 채 비판, 재조합, 수정, 보존 규칙을 비교하면 집단 추론이 효과를 내는 조건을 더 명확히 분석할 수 있다.

다만 외부 데이터와의 부합은 실제 실험을 대신할 수 없다. 이 연구는 LLM이 실험 검증 없이 과학적 발견을 완성했다는 주장이 아니라, AI가 만든 가설을 정리하고 평가하며 후속 검증으로 연결하는 방법을 제시한다. 앞으로의 핵심 질문은 AI 연구팀이 새로울 뿐 아니라 기전이 분명하고 검증 가능하며 증거와 연결된 가설을 지속적으로 만들어낼 수 있는지다.

출처: Hugging Face Daily Papers