[논문리뷰] InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery

링크: 논문 PDF로 바로 열기

저자: Xiangchao Yan, Runmin Ma, JiakangYuan, huangst, sY713

핵심 연구 목표

본 논문은 기존 AI 과학자 시스템의 한계(도메인 특화 설계, 불완전한 추론 능력, 비효율적인 최적화 파이프라인, 장기 자율 운영 미흡)를 극복하고, 계산 및 경험적 영역 전반에 걸쳐 엔드투엔드 과학적 발견을 위한 통합 에이전트 프레임워크 인 InternAgent-1.5를 개발하는 것을 목표로 합니다.

핵심 방법론

InternAgent-1.5는 Generation , Verification , Evolution 세 가지 조정된 서브시스템으로 구성된 구조화된 아키텍처 를 기반으로 합니다. 이 시스템은 심층 연구 (Cross-Disciplinary Knowledge Graph 및 Flow Graph), 솔루션 최적화 (Graph-Augmented Monte Carlo Search), 장기 기억 (Structured Cognitive Memory)의 세 가지 핵심 역량으로 지원됩니다. 이를 통해 계산 모델링과 실험실 실험을 단일 시스템 내에서 조정할 수 있습니다.

주요 결과

InternAgent-1.5는 GAIA , HLE , GPQA , FrontierScience 와 같은 과학 추론 벤치마크에서 선도적인 성능을 달성했습니다. 특히 알고리즘 발견 태스크에서는 AutoRYP R2 36.6 , AutoTPPR MSE 0.143 , AutoEAP HK-PCC 0.91 을 기록하며 기준선 모델을 능가했으며, 기후 다운스케일링 태스크에서 RMSE를 0.8488 로 줄였습니다. 이는 통합 프레임워크의 확장성과 실용적인 효과를 입증합니다.

AI 실무자를 위한 시사점

InternAgent-1.5는 AI/ML 엔지니어에게 복잡하고 다학제적인 과학적 발견을 위한 범용적이고 확장 가능한 에이전트 프레임워크 를 제공합니다. 구조화된 인지 기억 과 그래프 기반 최적화 는 장기적인 자율 운영과 지속적인 개선을 가능하게 하므로, 실제 연구 개발 환경에서 AI 에이전트를 구축하는 데 중요한 설계 원칙이 될 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.