Autonomous Agents for Scientific Tasks - Sina Shahandeh, Radicait

한 줄 핵심

자율 에이전트가 과학적 과제에서 한계에 부딪히는 핵심 원인은 구현 능력보다 좋은 가설을 계속 만들어내는 능력이며, 문제를 계층적으로 분해해 가설 생성·검토·실행 루프를 설계하면 탐색의 질을 크게 높일 수 있다.

시간별 요약

1. 0:00
   기존 자동 연구·코딩 에이전트는 구현과 실험 반복에는 강하지만, 과학 문제처럼 열린 끝이 있는 과제에서는 아이디어가 고갈되며 성능이 정체된다. 결국 인간 연구자의 강점인 좋은 가설을 계속 만들어내는 능력이 핵심 차이로 남는다.
2. 2:01
   과학적 작업은 관찰, 질문, 가설, 실험, 학습의 반복 루프로 볼 수 있고, 구현보다 더 어려운 부분은 다음에 무엇을 시도할지 정하는 가설 생성이다. 따라서 에이전트의 병목은 기억이나 실행보다 문제를 더 좋은 방향으로 재구성하는 능력에 있다.
3. 4:02
   Radicait의 CT→PET 변환 사례에서는 장기 연구를 여러 단계로 나누고, 그중 모델 학습 루프를 하나의 핵심 문제로 놓아 개선한다. 초기에는 2 and a halfd 같은 제한된 설계로 시작하지만, 반복 최적화만으로는 곧 정체되기 때문에 더 큰 구조 변화가 필요하다.
4. 7:01
   해결책은 문제를 데이터, 핵심 학습, 아키텍처, 손실 함수, 운영 스크립트, 평가 같은 계층으로 명시적으로 분해해 문서화하는 것이다. 이렇게 만든 계층 구조는 에이전트가 각 구성요소를 따로 검토하고 수정하게 만들어, 3D convolution처럼 더 급진적인 아이디어까지 탐색하게 한다.
5. 12:00
   같은 방식은 image registration 같은 데이터 준비·검증 단계에도 적용되며, 정렬 품질을 판단하기 위해 멀티모달 모델과 더 강한 추론 모델을 검토자와 비평가로 붙일 수 있다. 결국 과학적 자율 에이전트의 성패는 실행 자동화가 아니라 관찰 능력, 가설 생성, 그리고 이를 반복하는 루프 설계에 달려 있다.

실무 인사이트

• 에이전트가 정체되는 지점이 구현이 아니라 가설 생성이라면, 먼저 문제를 계층적으로 쪼개는 문서 구조를 만들어 탐색 공간을 넓혀야 한다.
• 실험 자동화만 붙이는 것보다 검토용 모델과 비평용 모델을 분리해 루프에 넣으면, 더 급진적인 변경안과 실패 원인을 더 잘 찾을 수 있다.
• 과학 과제에서는 평가 지표만으로는 부족하므로, 인간이 보는 이미지·구조적 맥락까지 포함한 멀티모달 관찰 능력을 에이전트에 보강하는 것이 중요하다.