새로운 연구 아이디어를 생성하는 것은 과학적 진보의 근간입니다. 거대 언어 모델 (LLMs)이 이 과정을 돕는 데 유망한 가능성을 보여주고 있지만, 기존의 접근 방식들은 종종 의미론적 수렴 (semantic convergence) 현상을 보이며, 이로 인해 다양성과 참신함이 제한되는 결과를 초래합니다. 이를 해결하기 위해, 우리는 과학적 아이디어 생성을 아이디어 집단 (population)에 대한 진화적 탐색으로 재구성하는 진화 영감 프레임워크인 EvoGens를 소개합니다. EvoGens는 외부 지식을 통합하기 위해 차별화된 검색 계획 (retrieval planning)을 포함한 순위 기반 변이 (rank-based mutation)를 반복적으로 적용하며, 개념적 재구성을 위해 상호 보완적인 개념을 융합하는 의미론적 인지 교차 (semantic-aware crossover)를 수행합니다. 경량화된 평가 신호가 선택 과정을 안내하여, 조기 수렴 (premature convergence)을 완화하는 동시에 지속적인 탐색을 장려합니다. 광범위한 실험을 통해 EvoGens가 최신 성능의 베이스라인 (baselines)과 비교하여 탐색 능력을 실질적으로 향상시킨다는 것을 입증했습니다. 구체적으로, 현재의 자동 평가 프로토콜 하에서 아이디어 품질을 유사하게 유지하면서도, 참신함 (Novelty)을 0.1에서 0.4로, 다양성 (Diversity)을 0.24에서 0.55로 개선했습니다. 이러한 결과는 진화적 메커니즘이 탐색 지향적인 연구 아이디어 구상에 유용한 프레임워크로 기능할 수 있음을 시사하며, 특히 공유된 자동 평가 환경에서 후보 아이디어의 참신함과 다양성을 확장하는 데 효과적임을 보여줍니다.