LECTOR: 과학적 추론 그래프와 서론 생성의 공동 최적화

AI Scientist(AI 과학자)들은 연구 파이프라인의 여러 단계에서 유망한 진전을 보여주었으나, 그중에서도 자동화된 과학 논문 작성은 여전히 만만치 않은 과제로 남아 있습니다. 특히 서론(Introduction) 작성은 언어적 유창성뿐만 아니라 논리적 타당성과 검증 가능한 충실도(faithfulness)를 요구하기 때문에 매우 어렵습니다. 대부분의 AI 보조 방식은 이 작업을 추론 및 구조화가 아닌 단순 텍스트 생성으로 취급하며, 이는 인용 문헌을 환각(hallucinating)하는 것과 같은 심각한 단점으로 이어집니다. 이를 해결하기 위해, 우리는 먼저 서론을 논문의 핵심 근거에 기반하도록 요구하는 콘텐츠 조건부 서론 생성(Content-Conditional Introduction Generation, CCIG) 작업을 정의합니다. 그런 다음, 과학자의 논리를 엄격히 따르고, 고품질의 인용을 추가하며, 구조화된 표현을 유지할 수 있는 새로운 논리-표현 공동 강화 학습(Logic-Expression Co-Reinforcement Learning) 프레임워크인 LECTOR를 제안합니다. LECTOR는 먼저 논문의 본문으로부터 검증 가능한 논리적 청사진 역할을 할 논리 추론 그래프(logic-reasoning graph)를 구축합니다. 이어서, 그래프의 구조적 충실도(structural fidelity)와 최종 서술의 품질을 공동으로 최적화하기 위해 논리-표현 공동 보상(Logic-Expression Co-Rewarding) 메커니즘을 채택합니다. 우리는 우리 방식을 평가하기 위해 Nature Communications 논문들로 데이터셋을 구축했습니다. 광범위한 실험 결과, 논리적 충실도와 서론 생성 품질 지표 모두에서 일관된 개선을 보였습니다(예: 그래프 품질 +26.7%, 인용 품질 +8.6%, 논문 일관성 +3.3%). 코드와 데이터는 https://github.com/Xiao-Youth/LECTOR 에서 확인할 수 있습니다.