비용이 많이 들고 되돌릴 수 없는 과학 실험에 LLM(Large Language Models)에게 직접적인 제어권을 부여하는 것은 안전하지 않은 탐색과 불안정한 성능으로 이어지지만, LLM의 창의성을 완전히 배제하는 것은 상당한 최적화 잠재력을 희생시킵니다. 우리는 고처리량 실험(High-Throughput Experimentation, HTE) 최적화를 위한 감사 가능한 컨트롤러인 CARE(Controlling LLM-Generated Policies through Auditable Review of Evidence in Scientific Experimentation)를 소개합니다. 이 시스템은 비-LLM 기존 최적화 도구(incumbent optimizer)를 기본 작업 경로로 유지하면서, LLM을 사용하여 도전적 순위 정책(challenger ranking policies)을 수정합니다. 각 결과가 공개되기 전에, 공개 증거 개입 게이트(public-evidence intervention gate)가 도전적 정책(challenger)과 기존 정책(incumbent)을 비교합니다. 이 게이트는 선택 전에 사용 가능한 증거가 변경을 뒷받침할 때만 도전적 정책의 선택을 승인하며, 해당 결정은 감사 로그(audit log)에 기록됩니다. CARE는 Minerva/Olympus 및 ChemLex 벤치마크에서 평가된 다른 모든 방법보다 뛰어난 성능을 보였으며, 기존 정책 대비 최종 최적값(final-best)이 Minerva/Olympus에서는 80.0에서 88.5로, ChemLex에서는 83.9에서 92.1로 향상되었습니다. 우리의 실험은 LLM의 자기 진화(self-evolution)가 실험을 직접 선택할 때보다 감사 가능한 컨트롤러 하에서 제안 공간(proposal space)을 확장할 때 더 신뢰할 수 있음을 나타냅니다.