[논문리뷰] Discovery Foundation Models: Toward Open-Ended Discovery Intelligence

링크: 논문 PDF로 바로 열기

저자: Ling Yang, Zhenfei Yin, Yingcheng Wu

1. Key Terms & Definitions (핵심 용어 및 정의)

• Discovery Intelligence: 모델 시스템이 부분적으로 이해된 세상을 검증된 지식으로 전환하는 과정을 구성, 테스트 및 수정하는 능력으로, 인간이 명시한 문제 해결을 넘어선 개방형 발견 능력을 의미합니다.
• Discovery Foundation Models (DFMs): 문제 발견, 공식화, 표현 구축, 가설 형성, 개입, 증거 기반 수정 및 지속적인 발견 개선을 포함하는 7가지 상호 연결된 capabilities를 지원하는 open-ended discovery를 위한 general-purpose 모델 시스템입니다.
• Research State: DFM이 maintains하는 명시적인 상태로, 현재의 문제 공식화(problem formulations), 표현(representations), 가설(hypotheses), 증거(evidence), 개입(interventions), 예산(budgets), 그리고 Discovery Skill Memory 등을 포함하며, 조사의 진행 상황과 수정 경로를 기록합니다.
• Discovery Skill: 검증된 cross-episode 경험을 사용하여 미래의 discovery behavior를 개선하는 재사용 가능한 연구 operation으로, state-dependent triggers, 예상 효과 및 외부 검증 요구 사항을 명시합니다.
• Dry-Lab/Wet-Lab Grounding: DFM 시스템이 literature synthesis, data analysis, simulation 등 내부적으로 생성된 예측(Dry-Lab loop)과 robotic experimentation, physical measurements 등 외부 환경으로부터 얻은 실제 관찰 결과(Wet-Lab loop)를 coupling하여 과학적 주장을 검증하고 research state를 수정하는 과정입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 Foundation Model이 기존 지식에 대한 학습과 추론을 넘어, action과 tool use, outcome feedback을 통한 학습에서 open-ended discovery를 위한 다음 frontier로의 전환, 즉 새로운 문제, 표현, 설명 및 지식 생성 과정에 참여하는 능력인 Discovery Intelligence를 제안합니다. 기존 Foundation Model들은 주로 인간이 미리 정의한 research structure 내에서 문제를 해결하는 데 탁월하지만, 문제 자체의 framing, representation, hypothesis 등을 변경해야 하는 open-ended discovery 상황에서는 취약점을 보입니다. 이는 benchmark가 proxy를 보상하거나, non-identifying observable이 주어졌을 때 mechanism을 구별하지 못하며, fixed representation이 누락된 변수를 표현할 수 없는 등의 structural ceiling에 직면하기 때문입니다. 따라서 저자들은 predefined task의 optimization을 넘어서, partially understood world를 validated knowledge로 전환하는 과정 자체를 construct, test, revise할 수 있는 모델 시스템의 필요성을 강조합니다.

3. Method & Key Results (제안 방법론 및 핵심 결과)

저자들은 open-ended discovery를 위한 general-purpose 모델 시스템인 Discovery Foundation Models (DFMs)을 정의하고, 이를 통해 Discovery Intelligence를 operationalize하는 방법론을 제시합니다. DFM은 문제 발견(Cfind), 연구 가능한 문제 공식화(Cform), 표현 구축 및 수정(Crepr), 검증 가능한 가설 형성(Chyp), 정보 제공 개입 설계(Cint), 증거 기반 수정(Crev), 그리고 지속적인 discovery capability 개선(Ccont)의 7가지 상호 연결된 capabilities를 지원합니다. [Figure 2]

Figure 2 — DFM 능력 정의 및 시스템 경계

이 프레임워크는 Zetema라는 시스템 instantiation을 통해 구체화됩니다. Zetema는 명시적이고 수정 가능한 research state를 중심으로 within-task discovery loop와 verification 및 experimental gating을 결합하며, Dry-Lab reasoning을 external computational 또는 physical evidence에 연결하고, validated cross-task experience를 Discovery Skills로 전환합니다. [Figure 4]

제안된 프레임워크의 empirical grounding을 위해, 논문은 실제 therapeutic-discovery 시스템인 GALILEO 사례를 제시합니다. GALILEO는 Dry-Lab reasoning과 robotic 및 hands-on Wet-Lab experimentation을 coupling하여 iterative hypothesis 및 design revision을 수행합니다. 이 시스템은 LRRC8C branch에서 whole-cell electrophysiology 및 patient-derived organoid experiments를 통해 18.922 µM의 IC50을 가진 GALILEO-LRC를 도출했으며, SLC25A1 branch에서는 mitochondrial localization 및 organoid activity를 통해 0.736 µM의 IC50을 가진 GALILEO-SLC를 발견했습니다. 특히, 5 rounds의 wet-laboratory feedback을 거쳐, experimentally supported motif structure는 재사용 가능한 design rule인 Amphiphilic Balance Grammar (ABG)로 consolidated되어 episodic experience가 transferable discovery operation으로 발전하는 구체적인 예시를 제공합니다. [Figure 5]

Figure 5 — GALILEO Dry-Lab/Wet-Lab 발견 루프

이러한 capability는 state-conditioned discovery imitation, preference learning, process verification, Research World Model learning, reinforcement learning from scientific feedback, 그리고 validated Discovery Skill learning 등 다양한 learning objectives를 포함하는 ℒDFM을 통해 학습되고 최적화됩니다.

4. Conclusion & Impact (결론 및 시사점)

본 논문은 Foundation Model이 단순히 주어진 scientific 및 technical task를 해결하는 것을 넘어, open-ended discovery에 필수적인 unknown 식별, researchable formulation 및 representation 구축, explanations를 구별하는 증거 설계, 증거에 따른 적절한 객체 수정, 그리고 검증된 교훈을 미래 연구에 적용하는 일련의 operations를 수행해야 함을 강조합니다. 저자들은 이러한 맥락을 Discovery Foundation Models (DFMs)로 formalize하고, explicit하고 revisable research state, Research World Model 및 action-gating layer, Dry-Lab 및 Wet-Lab grounding, validated cross-task Discovery Skill evolution을 특징으로 하는 시스템 Zetema를 통해 프레임워크를 instantiate했습니다. 특히 GALILEO 사례는 physical wet-lab outcomes가 실제 experimental rounds에 걸쳐 후속 discovery decisions를 수정하고 재사용 가능한 design rule로 consolidated되는 empirical grounding을 제공하며, 이는 외부 증거가 discovery process 자체를 변화시키는 paradigm shift의 가능성을 입증합니다.

이 연구는 AI systems가 existing knowledge를 학습하거나 fixed task를 해결하는 것을 넘어, 과학적 발견 과정을 능동적으로 construct, test, revise할 수 있는 potential을 제시합니다. 이는 digital, simulation-grounded, physical, 그리고 recursive systems 전반에 걸쳐 grounding, validation, responsibility의 변화와 함께 discovery capability를 확장하는 significant impact를 학계와 산업계에 미칠 것으로 예상됩니다.

Figure 1 — 지능 확장 단계 개요

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.