PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.20988v2cs.AI

마음에 대한 자동화된 과학을 향하여

Toward an automated science of the mind

인공지능(AI)이 과학적 발견을 자동화하기 시작하면서, 마음에 대한 자동화된 과학(automated science of the mind)의 가능성이 대두되고 있습니다. 본 논문에서는 실험의 표현, 합성 행동(synthetic behavior) 생성, 모델 합성, 그리고 심리학적 이론을 발견하기 위한 폐루프(closing the loop) 완성이라는 네 가지 도전 과제를 중심으로 이 분야의 지형을 정리합니다.

arXiv:2606.26448v1q-bio.NC

자동화된 인지 과학자로 심리학 이론 발견의 폐루프를 닫다

Closing the Loop to Discover Psychological Theories with an Automated Cognitive Scientist

과학 전반에서 자율 시스템이 폐루프 발견에 점점 더 많이 활용되며, 새로운 이론을 제안하고 이를 검증하기 위한 실험을 설계·실행하고 있다. 그러나 이러한 접근법은 아직 인지 과학 분야에는 적용되지 않았으며, 이 분야의 핵심 병목은 이론 구축, 즉 기존 모델들의 누적된 실패를 더 나은 모델로 전환하는 창의적 단계이다. 데이터 수집, 모델링, 실험 설계는 자동화되었지만 이론 생성은 여전히 수동으로 이루어지고 있다. 우리는 이 루프를 닫는 완전 자율 에이전트 AI 시스템인 자동화된 인지 과학자(Automated Cognitive Scientist, AutoCog)를 제시한다. 대규모 언어 모델(LLM) 에이전트들은 경쟁 이론들을 각각 실행 가능한 인지 모델로 표현하여 옹호하고, 이들을 가장 잘 구별할 수 있는 실험을 설계하며, 온라인으로 모집한 참가자로부터 행동 데이터를 수집하고, 수집된 데이터에 대한 생성 성능을 바탕으로 이론을 채점하며, 실패 원인을 진단하고, 더 나은 후속 이론을 합성한다. 이 순환을 반복하면 이론, 모델, 실험의 공간을 탐색할 수 있다. 의사결정 영역에서 AutoCog는 시뮬레이션된 행동으로부터 기존에 알려진 의사결정 전략, 비전형적인 것들을 포함하여, 회복했으며, 이는 그 발견이 궁극적으로 데이터에 의해 주도되며 기반 언어 모델의 사전지식(prior)에 엄격히 구속되지 않음을 보여준다. 인간 참가자 대상으로 실행했을 때, 초기 시드(seed)로 주어진 기존 이론들을 능가하는 이론을 생성했고 두 가지 서로 다른 실험 설정에서 홀드아웃(hold-out) 연구로 일반화되었다. 또한 선택이 특징 값에 대한 민감도가 감소하는 다중 단서(multi-cue) 의사결정에 대한 새로운 이론을 도출했다. 이 이론의 독특한 예측은 새로운 참가자를 대상으로 한 사전등록 연구에서 확인되었다. AutoCog는 자동화된 발견 시스템이 인지 이론 구축을 명시적이고 실행 가능하며 누적 가능한 과학으로 전환하는 데 어떻게 활용될 수 있는지 보여준다.

arXiv:2606.21891v1cs.AI

자동 발견을 위한 탐색 ARTS 학습

Learning the ARTS of Search for Automated Discovery

과학적 발견은 가설과 실험의 공간에서 이루어지는 반복적 탐색 과정으로 형식화할 수 있다. 현대의 방법들은 MCTS와 같은 휴리스틱을 사용하여 이 공간을 탐색한다. 이러한 알고리즘은 가설의 가치와 해당 실험 실행의 품질을 혼동한다. 따라서 예비적 실행을 가진 유망한 가설은 실행이 정교화된 평범한 가설보다 낮은 순위를 받는다. 게다가, 기존 방법들은 누적된 이력이 컨텍스트 윈도우를 초과하기 때문에 탐색이 진행됨에 따라 탐색 로그를 가지치기한다. 우리는 추론 언어 모델(reasoning language model)을 배치하여 이 공간을 탐색하는 Agentic Reasoning for Tree Search(ARTS)를 제안한다. 모델은 이전 실행 로그를 검토하고, 앞선 실패가 결함 있는 구현에서 비롯되었는지 나쁜 가설에서 비롯되었는지 진단하며, 다음에 이어갈 가설을 선택한다. 컨텍스트 길이 문제를 완화하기 위해 ARTS는 테스트 시점 학습(test-time training)을 사용하여 탐색 트리의 지식을 모델 가중치에 내재화한다. MLGym 및 MLEBench의 22개 태스크에서 ARTS가 선도적인 알고리즘들을 능가하며 정규화 점수에서 15.3% 이상의 상대적 향상을 보임을 보여준다. 테스트 시점 학습을 통해 Qwen3-4B 에이전트가 Gemini-3 Pro 및 GPT o3-reasoning와 같은 폐쇄형 프론티어 모델과 동등한 성능을 최대 5배 낮은 추론 비용으로 달성할 수 있음을 보여준다. 또한 부분 관측 강화학습(RL) 태스크에서, 테스트 시점 학습된 Qwen3-4B scientist가 휴리스틱 방법이 가지치기해 버린 인간 최고 수준의 순환 메모리(recurrent-memory) 해법을 재발견함으로써 o3 scientist를 사용한 ARTS를 능가함을 관찰한다.