다중 에이전트 과학 아이디어 생성을 위한 학습 가능한 수정 및 커밋을 갖춘 진화하는 아이디어 그래프

LLM(대규모 언어 모델) 기반 다중 에이전트 시스템은 새로운 연구 아이디어를 생성하여 과학적 발견을 가속화할 수 있는 새로운 가능성을 제공합니다. 그러나 기존 방법은 에이전트를 임시 텍스트 (예: 초안 또는 채팅 로그) 를 통해 조정하는 방식으로, 생성된 아이디어의 약점과 에이전트가 이를 어떻게 개선하는지를 정확히 파악하기 어렵습니다. 이에 따라 우리는 extbf{Evolving Idea Graphs} (EIG), 즉 다양한 벤치마크 내지 지표 (예: 신규성, 실현 가능성, 명확성) 에서 고성능 연구 아이디어를 생성할 수 있는 그래프 기반 다중 에이전트 과학 아이디어 생성 프레임워크를 소개합니다.

텍스트에만 의존하지 않고, EIG 는 부분적으로 완성된 제안서를 진화하는 아이디어 그래프로 표현하며, 노드는 과학적 주장 (claims) 을 포착하고 엣지는 관계 (예: 지지 및 충돌) 를 인코딩하여, 아이디어 발전 과정 전반에 걸쳐 해결되지 않은 약점이 식별 가능하게 유지합니다. 구체적으로, 학습된 두 헤드 컨트롤러는 진화하는 그래프를 통해 아이디어 생성을 안내합니다: 한 헤드는 에이전트가 실행할 그래프 수정 (edit) 을 선택하고, 다른 헤드는 그래프가 최종 제안서 합성용 커밋 (commit) 에 적합한지 결정합니다.

AI Idea Bench 2025 와 LiveIdeaBench 에서 EIG 는 자동 벤치마크 점수와 맹목 전문가 평가 모두에서 비교 시스템들을 압도했습니다. 추가 분석은 명시적 그래프 상태가 주요 성능 향상의 원인이 되며, 학습된 수정 및 커밋 제어가 일관된 개선 효과를 가져온다는 것을 보여줍니다.