자율적 과학적 발견 (Autonomous scientific discovery) 시스템은 가설 생성 및 검증 프로세스를 자동화함으로써 연구를 가속화할 수 있는 잠재력을 제공합니다. 그러나 현재의 시스템은 제한된 탐색 공간 내에서 작동하거나 사전에 정의된 연구 질문을 필요로 하여, 진정한 개방형 탐구 (open-ended inquiry) 능력이 제한적입니다. 또한, 가설을 반복적으로 생성하기는 하지만, 복잡하고 상호 연결된 현상을 발견하기 위해 스스로 축적된 결과물을 명시적으로 합성하는 능력은 크게 부족합니다. 우리는 사전 지정된 연구 목표 없이 데이터셋을 탐색하기 위해 코드를 동적으로 생성하고 실행함으로써 개방형 연구를 수행하는, 대규모 언어 모델 (Large Language Model, LLM) 기반의 자율 프레임워크인 DiscoPER를 소개합니다. 엄격한 과학적 타당성을 보장하기 위해, 제안된 모든 발견은 통계적 검정 (statistical testing)을 통과해야 합니다. 고립된 탐색의 한계를 극복하기 위해, 우리 프레임워크는 스스로 축적된 발견들을 주기적으로 분석하는 2차 추론 (second-order reasoning) 메커니즘을 도입합니다. DiscoPER는 이전의 발견들을 경험적 데이터 (empirical data)로 취급함으로써 구조적 패턴, 혼란 변수 (confounds), 그리고 인식론적 격차 (epistemic gaps)를 식별하고, 가설 탐색을 탐색 공간의 미개척 영역으로 능동적으로 재지정합니다. 또한 도구 사용 (tool use)을 통합함으로써 탐색 공간을 더욱 확장하여, 시스템이 이미지와 같은 멀티모달 (multimodal) 소스로부터 유용한 정보를 원활하게 처리하고 추출함으로써 구조화된 메타데이터를 넘어 가설을 탐색할 수 있도록 합니다. 동료 검토를 거친 문헌으로부터 패턴 수준의 정답 (ground truth)을 얻은 새로운 멀티모달 생태학 지식 벤치마크인 iNatDisco에서 평가했을 때, DiscoPER는 9개의 알려진 패턴 중 8개를 72.7%의 가설 지지율 (hypothesis support rate)로 회복하며, 고전적인 인과 발견 (causal discovery) 및 LLM 가이드 기반 베이스라인 (baselines) 모두를 능가했습니다. 절제 연구 (Ablations)를 통해 DiscoPER가 더 많은 데이터와 함께 확장됨을 보여주었으며, 2차 메타 성찰 (second-order meta-reflection)의 이점을 확인했습니다.