Claude-Shaped Science

AI 지원 발견, 실용적인 워크플로우, 그리고 과학 전반의 현장 기록에 대한 기능들.

요약: 이 게스트 포스트에서 Matthew Schwartz 교수가 AI 가속 과학에 대한 새로운 접근 방식을 설명하기 위해 돌아왔습니다. Vibe Physics에서 Schwartz는 Claude와 물리학 대학원생 간의 능력 유사성에 대해 논의했습니다. 여기서는 그가 Claude와 싸우는 것을 멈추고 Claude가 'Claude 모양의' 문제, 즉 현재 세대 LLM 도구의 역량에 가장 적합한 문제를 찾도록 허용했을 때 무슨 일이 일어났는지 설명합니다. 이는 그가 정량 과학에서 정확한 계산을 위한 툴킷인 BootLoops를 구축하는 계기가 되었습니다. 유사한 계산이 매우 이질적인 과학 분야 전반에서 자주 나타나기 때문에, Claude는 생태학, 개체군 유전학 및 수십 가지 다른 분야와의 연결고리를 발견했습니다. 이러한 연결고리는 처음에는 기술적으로는 정확했지만 과학적으로는 평범하여, Schwartz는 해당 분야의 전문가들과 협력하여 BootLoops가 그 분야들이 관심을 갖는 질문들 쪽으로 방향을 잡도록 했습니다. 아래에서 우리는 이러한 프로젝트와 BootLoops가 어떻게 탄생했는지에 대해 더 많이 공유합니다.

Agentic AI는 빠르게 개선되고 있습니다. 모두가 모델이 더 똑똑해진 것 같다고 주목합니다: 더 많이 알고, 실수를 덜 하고, 더 나은 아이디어를 가지고 있습니다. 추세선을 따라가면, AI가 과학에 혁명을 일으킬 잠재력에 대해 자신감 있게 이야기하기 쉽습니다. 하지만 오늘날 자신의 연구에서 모델을 사용하려는 학계 과학자들은 종종 괴리감을 느낍니다. 모델들이 도전적이고 오래된 문제들을 해결하고 있을지는 몰라도, 지금까지는 대부분 기존 기술의 잘 정의된 응용 사례였습니다. 많은 헤드라인이 수학에 관한 것인 것 같습니다. 수학은 문제가 완전히 진술되고 답을 절대적으로 확인할 수 있는 과학 분야입니다. 그러나 대부분의 과학은 그렇지 않습니다. 그리고 우리 연구원들과 학생들 중 다수에게 있어, 이러한 헤드라인과 우리가 이 모델들을 사용할 때 발생하는 일 사이의 거리는 좌절감과 불안감을 느끼게 할 수 있습니다.

제가 보기에는 핵심적인 충돌 지점은 이 모델들이 매우 뛰어나지만, 인간 과학자처럼 작동하는 것은 현재 LLM이 가장 잘 하는 일이 아니라는 점입니다. Claude와 GPT는 과학 분야에 능하지만, 그들은 과학자가 아닙니다. 물론 똑똑하긴 하지만, 과학적 가치가 있는 결과물을 얻으려면 많은 도움(hand-holding)이 필요할 수 있습니다. 물리학자라면 이를 “임피던스 불일치(impedance mismatch)”라고 부를 것입니다. 즉, 각 시스템은 자체적으로는 잘 작동하지만 서로 간의 연결성이 떨어져서, 한쪽에서 입력한 것 중 대부분이 다른 쪽으로 전달되지 못하는 경우입니다. 여기서의 불일치는 과학자들이 원하는 것과 AI가 잘 하는 것 사이의 차이점입니다.

그렇다면 어떻게 해결할 수 있을까요?

저는 임피던스 불일치가 덜 심각한 사례들을 찾아보기 시작했습니다. 먼저 Claude에게 수학 물리학을 위한 접근 가능한 도구 모음(suite of tools)을 구축하게 했습니다. 시간이 지나자 이 도구들이 다른 문제들에도 사용되는 것을 발견했습니다. 이러한 반복적인 과정은 일련의 소프트웨어와 과학적 프로토콜을 생성했고, 저는 이를 BootLoops라고 부릅니다. BootLoops는 LLM의 일종의 하니스(harness) 역할을 합니다. 마치 Claude Code가 Claude를 위한 하니스가 되거나, Codex가 GPT를 위한 하니스가 되는 것과 같습니다. 저는 BootLoops가 과학 분야의 양적 문제들(quantitative problems)에 특히 적합하다는 것을 발견했습니다. 또한 오픈 소스이므로 원하는 어떤 모델과도 사용할 수 있습니다.

Claude가 BootLoops를 갖게 되자, 계속해서 같은 패턴을 발견했습니다. 즉, 많은 분야들이 수학, 물리학 또는 컴퓨터 과학의 기술로 해결할 수 있는 문제들을 가지고 있는데, 단지 누군가가 그 존재를 알고만 있다면 말입니다. 저는 이를 “Claude형(Claude-shaped)” 문제라고 부르기 시작했고, 제 전문 영역인 고에너지 이론 물리학을 넘어 지질학, 생물학, 경제학, 언어학으로 이 분야들을 확장했습니다. 이러한 다른 영역들에서는 Claude가 발견한 것이 흥미로운지 여부를 판단하기 위해 저 자신의 전문 지식에만 의존할 수 없었습니다. 그래서 저는 전문가들을 찾아 도움을 요청했습니다. 그들의 안내를 받아 BootLoops는 여러 연구 분야에서 실질적인 진전을 이룰 수 있었습니다.

아래에서는 BootLoops가 어떻게 생겨났는지 공유하고, 제가 이 기술을 적용해 온 분야의 초기 연구 결과들을 설명하며, 오늘날 인간 과학자와 AI 사이의 임피던스 미스매치(impedance mismatch)를 해결하는 방법에 대한 저의 생각을 공유하고자 합니다.

지난 12월에 저는 Claude를 리서치 어시스턴트로 사용해 보았고, Claude Opus 4.5가 속도 면에서 20배 빠른 우수한 대학원생처럼 작동한다는 것을 발견했습니다. 실험 끝에 Claude가 높은 품질의 논문을 만들어냈음에도 불구하고, 그 과정 자체가 힘들었습니다. 저는 Claude가 작성한 모든 문장을 수정해야 했고, 관련 없는 주제로 빠지는 것을 막아주어야 했으며, 막다른 길에서 되돌려야 했습니다.

올여름에는 다른 시도를 해보았습니다. 즉, Claude를 제가 원하는 협력자처럼 대하는 대신, 실제로 그런 역할을 하는 것처럼 대하기 시작한 것입니다. 이 과정은 Claude의 강점에 적합한 문제들을 찾아보는 것을 필요로 했습니다. 현재 Claude는 깊이 있는 개념적 질문에 도움을 줄 수는 없지만, 모든 영역에 걸쳐 사실상 무한한 지식 폭(breadth of knowledge)과 놀라운 코딩 기술, 최첨단 수학 및 통계학 지식, 그리고 논문, 부록, 데이터를 기계 속도로 분석하는 능력을 가지고 있습니다.

Claude의 형태를 띠는 문제들을 찾아보기 가장 자연스러운 곳은 코딩이 도움을 줄 수 있는 분야였습니다. Anthropic이 2026년 여름에 Claude Fable 5를 출시했을 때, 저는 그 사이버 역량이 과학 컴퓨팅으로도 적용될지 보고 싶었습니다. 그래서 제 논문 몇 편과 산란 진폭(scattering amplitudes)에 관한 인접 문헌의 다양한 방법들을 포팅하고 코딩하며 개선하도록 테스트했습니다.

산란 진폭(Scattering amplitudes)은 우리가 대형 강입자 충돌기(Large Hadron Collider)에서 데이터를 해석하는 방식입니다. 양성자를 13조 전자볼트(electron volts)로 충돌시키면, 그 진폭은 파편과 충돌이 생성한 새로운 입자(힉스 보손이나 미지의 무언가) 사이의 이론적 다리 역할을 합니다. 이 모든 것의 핵심에는 페인만 다이어그램(Feynman diagrams)이라는 특정 형태의 다차원 적분들이 있습니다. 우리가 현재 어려움을 겪고 있는 문제들은 각각 박사 학위 논문이 되거나, 그룹 전체를 몇 년 동안 차지할 정도입니다.

지난 20년 동안 대안적인 접근 방식인 S-행렬 부트스트랩(S-matrix bootstrap)이 성장해 왔습니다. 부트스트랩 접근법에서는 적분을 계산해내는 대신, 물리적 제약 조건들을 적용하여 오직 하나의 답만 가능하도록 만듭니다. 진폭이 무한대가 되는 지점(

반수치적 부트스트랩(semi-numerical bootstrap)은 에이전트 AI(agentic AI)에 이상적인 것 같았습니다. 이는 수학, 물리학, 컴퓨터 과학 등 어느 한 사람이 마스터할 수 없는 분야를 활용합니다. 많은 코딩과 알고리즘 개발이 필요하며, 또한 동일한 수치 계산을 통해 전문가가 아니더라도 두 개의 스크립트를 실행하여 원하는 만큼의 자릿수까지 최종 답안을 적분값과 비교해 검증할 수 있다는 장점이 있습니다. 커뮤니티의 전문 지식 역시 고르게 분포되어 있지 않습니다. 좋은 아이디어들은 Wolfram Language, C++, Python 또는 Julia에 놓여 있고, 훨씬 더 많은 것들은 코드가 전혀 없는 논문 속에 존재합니다. 그래서 Fable 5에 대한 저의 첫 번째 과제는 이 모든 것을 공통 프레임워크로 포팅하고, 논문들이 제공하지 않았던 코드를 작성하는 것이었습니다.

Claude는 이것을 아무렇지 않게 해냈습니다. 제가 그 논문의 결과를 약 20분 만에 재현했을 때 놀랐습니다. 저 혼자 이 작업을 하려면 몇 주가 걸렸기 때문입니다. 하지만, 제가 매우 비효율적인 방식으로 작업하고 있으며 제가 알지 못하는 더 나은 알고리즘이 있다는 것을 알려주었을 때는 놀라지 않았습니다.

그 후, 저는 Claude에게 계산할 수 있는 미해결 진폭(unsolved amplitudes)을 검색하도록 요청했습니다. S-행렬 부트스트랩에 충분히 간단한 문제들은 인간도 풀기에 충분히 간단하며—실제로 대부분은 이미 해결되었습니다. 그럼에도 불구하고 그것은 몇 가지 미해결 문제를 찾아냈습니다. 모델과 몇 차례 논의한 후, Claude가 가장 단순한 함수 계열인 로그(logarithms)를 가진 진폭으로 스스로 제한하고 있다는 것이 분명해졌습니다. 그래서 저는 다음으로 간단한 함수 계열인 타원 함수(elliptic functions)에 대해서도 같은 작업을 할 수 있는지 물었습니다.

타원 적분(Elliptic integrals)은 정말 어렵습니다. 저처럼 시간을 많이 적분 계산에 쓰는 사람에게도 말이죠. 타원 페인만 적분(elliptic Feynman integrals) 중 실제로 계산된 것은 극소수이며, 최소한 제가 알거나 Claude가 아는 한 부트스트랩(bootstrap)을 통해 완전히 계산된 경우는 없습니다. 문제는 방법론이 작동하지 않는 것이 아니라, 이를 시도해 본 사람이 아무도 없었다는 것입니다. 필요한 전문 지식이 여러 사람에게 분산되어 있기 때문입니다. 반면에 Claude는 로그 적분(logarithmic case)에 대해 포팅하고 구축했던 모든 장치들을 다른 적분 클래스들로 쉽게 일반화했습니다. 이번에는 물리학보다는 수학에서 소프트웨어의 대부분을 직접 작성하거나 가져왔습니다. 도구 키트가 커지면서, 하나의 적분이 또 다른 적분을 계산해내기 시작했습니다. 곧 우리는 30개의 적분을 처음부터 끝까지 BootLoop를 통해 얻게 되었는데, 이 중 15개는 새로운 방법으로 알려진 결과를 재현한 것이고 나머지 15개는 이전에 계산된 적분들이었습니다.

이 모든 것이 단 몇 주 만에 이루어졌습니다. 처음에는 그 결과만 정리해서 글을 쓰는 것으로 만족할 줄 알았지만, 저희(즉, 저와 Claude 그리고 BootLoops)가 또 무엇을 할 수 있는지 보고 싶은 유혹을 참지 못했습니다.

과학의 우연한 특징 중 하나는 동일한 방정식이 서로 다른 맥락에서 반복적으로 나타난다는 것입니다. 예를 들어 물리학에서 확산 방정식(diffusion equation), 포커-플랑크 방정식(Fokker-Planck equation), 슈뢰딩거 방정식(Schrödinger equation)은 모두 같은 수학적 형태를 가지고 있기 때문에, 하나의 문제를 해결하는 방법을 개발하면 종종 다른 많은 문제에도 적용할 수 있습니다. 저는 BootLoops가 잘 하는 계산들이 우주론이나 초끈 이론(string theory)과 같은 다른 분야에서도 관련성이 있다는 것을 알고 있었습니다. 하지만 제가 몰랐지만 Claude는 기꺼이 알려주었는데, 이 적분들이 개체군 유전학(population genetics)의 베이지안 증거 적분(Bayesian evidence integrals)에도 매핑될 수 있고, 페인만 적분 축소에 사용된 유한장(finite-field) 방법론이 진화 생물학(evolutionary biology)의 문제에도 적용될 수 있다는 것이었습니다.

이로 인해 클로드 모양(Claude-shaped)의 (그리고 더 좁게는 부트루프 모양(BootLoops-shaped)의) 문제를 찾고 해결하는 매우 비옥한 시기가 시작되었습니다. 몇 가지 아이디어는 즉시 훌륭한 응용 사례로 명확했습니다. 예를 들어, 계통 발생학(phylogenetics)은 DNA를 사용하여 종을 가족 나무 형태로 구성하는 방법을 연구합니다. 이때 필요한 계산은 베이즈 증거 적분(Bayesian evidence integral)인데, 그 결과물은 후보 나무가 관찰된 DNA를 얼마나 잘 설명하는지를 나타내는 단일 숫자입니다. 이는 BootLoops가 원래 수행하도록 구축된 것과 같은 종류의 적분입니다. 아이디어가 나올 때마다 저는 클로드가 기존 도구를 사용하고 새로운 도구도 만들도록 주장했고, 그리하여 이 장치가 성장하게 했습니다. 실패한 프로젝트에서 나온 도구조차 새로운 문을 열어주었습니다. 클로드는 점점 더 능숙해지고 있었습니다. 마치 영화 <매트릭스>의 네오가 쿵푸 다운로드(Kung Fu download)에서 깨어난 후 같았습니다.

하지만 프로젝트들이 저의 전문적인 안락지대에서 벗어나자, 저는 걱정하기 시작했습니다. 클로드가 제가 속한 분야에서 무언가가 환상적이라고 주장할 때는 그것이 사실인지 아닌지를 판단할 수 있습니다 (종종 그렇지 않습니다). 하지만 다른 분야에서 무언가가 환상적이었다고 주장할 때는 저 스스로 동의하게 됩니다. 제 의심은 커졌고, 저는 확실하기 위해 전문가들을 끌어들여야 한다는 것을 알았습니다. 실제로 거의 모든 경우에 클로드는 기술적으로는 정확했지만, 전문가가 방향을 잡아주기 전까지는 그 결과가 그다지 흥미롭지 않다는 것을 발견했습니다.

이러한 프로젝트 중 하나는 생태학의 중립 생물다양성 이론(neutral biodiversity theory)에 관한 것이었습니다. 모든 생태계에서는 일부 종은 번성하고 다른 종들은 사라집니다. 중립 이론은 이러한 생활사 과정 중 얼마나 많은 부분이 무작위적인 우연에 기인하는지를 묻습니다. 이전 연구를 바탕으로, 2001년 생태학자 Stephen Hubbell은 도발적으로 모든 것이 무작위적일 수 있다고 제안했습니다. 2005년에는 생태학자 Rampal Etienne이 Hubbell의 이론에 방정식을 적용하여 (최소한 원칙상) 정밀하게 테스트할 수 있도록 했습니다. 불행히도, 20년 동안 아무도 이 방정식을 대규모로 풀지 못했습니다. Claude는 Etienne의 방정식이 BootLoops 형태를 띠고 있음을 인식하고 이를 해결했습니다. 계산을 데이터에 적용하여, 우리는 지구상에서 생태학적으로 가장 많이 연구된 숲인 파나마 운하의 Barro Colorado Island에서 나무 종 구성이 중립 이론이 허용하는 것보다 4.5배 더 빠르게 변화한다는 것을 확인했습니다.