조합적 혁신과 다중 에이전트 검색으로 연구 아이디어 생성 강화

과학적 진보는 끊임없이 혁신적인 연구 아이디어를 생성하는 것에 달려 있습니다. 하지만 급증하는 과학 문헌으로 인해 지식 필터링 비용이 높아지면서, 연구자들이 새로운 방향을 찾기가 점점 어려워지고 있습니다.

기존의 대규모 언어 모델(LLM) 기반 방법들은 연구 아이디어 생성에 유망하지만, 결과물이 종종 반복적이거나 깊이가 부족하다는 한계가 있었습니다. 이를 해결하기 위해 본 연구는 조합적 혁신 이론에서 영감을 받은 다중 에이전트 순차 계획 검색 전략을 제안합니다.

제안된 프레임워크는 지식 탐색과 LLM 기반의 다중 에이전트 시스템을 결합하여, 반복적인 상호작용을 통해 연구 아이디어를 생성하고 평가하며 개선하는 과정을 거칩니다. 이를 통해 아이디어의 다양성과 참신성을 극대화하는 것을 목표로 합니다.

자연어 처리(NLP) 분야 실험 결과, 제안된 방법은 다양성 및 참신성 측면에서 기존 최고 성능 모델들을 능가했습니다. 또한, 최상위 머신러닝 학회 논문에서 나온 아이디어와 비교했을 때, 생성된 아이디어의 품질이 '채택되었으나 거절된' 수준에 해당함을 보여주었습니다.

결론적으로, 이 프레임워크는 고품질 연구 아이디어를 지원하는 매우 유망한 접근 방식임을 시사합니다. 관련 코드와 데이터셋은 공개되어 있습니다.