ATLAS: 자동화된 과학을 위한 능동적 이론 학습

기계론적 모델링(mechanistic modeling)을 통해 과학적 이해를 발전시키려면, 가장 정보량이 많은 데이터를 얻기 위해 적절한 실험 질문을 설정해야 합니다. 인지과학 분야에서 이러한 추구를 자동화하기 위해, 우리는 해석 가능한 행동 모델의 데이터 기반 발견을 위한 능동 학습 프레임워크인 ATLAS(Active Theory Learning for Automated Science)를 소개합니다. ATLAS는 기계론적 가설을 생성하는 것—다양한 희소 신경망(Disentangled RNNs)으로 구체화됨—과 이들 사이에서 최적으로 구별하는 실험을 설계하는 과정 사이를 반복합니다. 우리는 이 접근 방식을 밴딧 과제(bandit tasks)에서의 행동으로부터 강화 학습 에이전트(reinforcement learning agents)를 복구하는 문제에 적용하여 테스트합니다. ATLAS는 근본적인 에이전트 특성에 맞춰진 시간적 구조를 가진, 질적으로 새로운 다양한 순서의 실험을 설계합니다. 이러한 실험으로 훈련된 모델들은 행동적, 구조적, 계산적 유사성을 포착하는 기계론적 모델링을 위한 포괄적인 일련의 지표(metrics)와 비교하여 평가됩니다. ATLAS는 무작위 실험과 비교했을 때 모든 지표에서 5~10배의 샘플 효율성 향상을 달성하며, 그 성능은 문헌에서 파생된 전문가 설계 실험에 대해서도 추가적으로 검증되었습니다. 이러한 컴퓨터 시뮬레이션(in silico) 결과들은 인지과학 및 과학적 탐구가 기계론적 모델 발견에 의존하는 다른 영역에서 인간이 해석할 수 있는 통찰력을 가속화할 ATLAS의 잠재력을 보여줍니다.