미분 방정식 (Differential equations)은 물리 현상의 거동을 설명하기 위한 수학적 프레임워크를 제공하기 때문에 과학적 발견에서 결정적인 역할을 합니다. 전통적인 제1원리 (first principles)에 대한 유망한 대안으로서, 데이터 기반 미분 방정식 발견 (data-driven differential equation discovery)은 특히 기저의 물리학이 불분명할 때 실험 데이터나 시뮬레이션 데이터로부터 지배 법칙을 직접 추론할 수 있는 능력 덕분에 점점 더 많은 관심을 받고 있습니다. 그러나 이 분야는 특히 AI 기반 접근 방식의 등장과 함께 다양한 방법론적 방향으로 급격히 확장되었으며, 여전히 명확한 조직적 관점이 부족한 상태입니다. 본 리뷰 (Review)에서 우리는 데이터 기반 미분 방정식 발견에 대한 문제 중심적 관점을 제안합니다. 먼저, 우리는 방정식 발견 가능성 (equation discoverability)에 대한 2차원 상도 (phase diagram)를 소개하며, 여기서 발견 문제는 구조적 복잡성 (structural complexity)과 계수 복잡성 (coefficient complexity)에 따라 분류됩니다. 이 상도는 이 분야가 단순한 계수를 가진 희소 방정식 (sparse equations)의 발견에서부터, 더 풍부한 구조와 더 유연한 매개변수화 (parameterization)를 가진 더 복잡한 지배 법칙으로 어떻게 이동해 왔는지를 보여줍니다. 또한 이는 왜 서로 다른 방법론적 계열이 서로 다른 문제 설정에서 성공하거나 실패하는지를 명확히 해줍니다. 이어서 우리는 발견 과정의 근본적인 추상화로서 표현-평가-최적화 (representation-evaluation-optimization, REO) 프레임워크를 제시합니다. 알고리즘의 변형에 관계없이 지속되는 방정식 발견의 핵심 문제를 식별함으로써, REO는 논의의 초점을 개별 알고리즘에서 발견 가능성을 결정하는 근본 원리로 전환합니다. 우리는 이러한 관점들을 물리학 및 인접 과학 전반의 응용 분야와 연결하며, 다음 과제는 단순히 방정식을 복구하는 것이 아니라, 이를 사용하여 기존 이론을 수정하고, 메커니즘을 추출하며, 새로운 과학적 개념을 형성하는 것이라고 주장합니다.