AI 연구연구 프리프린트
숫자 오차만 좇는 수식 탐색에 구조 신호 추가…L2G-SR 벤치마크 비교
원문 읽기 · arxiv.org ↗(새 탭에서 열림)관측값을 잘 맞추는 수식이 실제 생성 규칙과 같은 구조라는 보장은 없다. L2G-SR은 수식 구조의 트리 편집 거리를 학습한 검증기를 언어모델 기반 수식 탐색에 결합해, 숫자 오차와 구조 단서를 번갈아 다음 후보 선택에 활용한다.
연구 방법
- 연구진은 독립 합성 방식으로 만든 목표·후보 수식 9,190만 쌍에서 트리 편집 거리 신호를 학습했다. 실제 탐색에서는 정답 수식 자체를 보여주지 않고 관측값과 후보 식으로 구조 거리를 예측한다. 네 탐색 풀에서 검증용 평균제곱오차와 이 추정 거리를 번갈아 선택 기준으로 사용하고 분석·생성 에이전트가 식을 고친다.
평가 결과
- LLM-SRBench의 다섯 분야 240개 방정식을 Llama3.1-8B와 Qwen3-4B 조건에서 평가했다. Llama 조건의 Physics에서 정답 허용오차 정확도는 89.39%, Materials에서는 100.00%였으며 표의 각 백본·분야별 수치가 1·2위에 들었다. 물리 분야의 동일 예산 제거 실험에서는 구조 거리 대신 검증 오차를 쓰면 성적이 낮아졌다.
적용 조건
- 목표 수식과의 구조적 유사성은 벤치마크 정답식을 알 수 있는 평가에서 측정했다. 실세계 데이터에서는 목표 구조가 유일하지 않을 수 있으며, 검증기 후보별 상관도도 분야별로 0.25~0.58 수준이다. 합성 학습 분포와 선택한 240개 문제 밖의 과학 법칙 발견을 입증하지 않는다.
함께 확인할 조건
- 목표 수식과의 구조적 유사성은 벤치마크 정답식을 알 수 있는 평가에서 측정했다. 실세계 데이터에서는 목표 구조가 유일하지 않을 수 있으며, 검증기 후보별 상관도도 분야별로 0.25~0.58 수준이다. 합성 학습 분포와 선택한 240개 문제 밖의 과학 법칙 발견을 입증하지 않는다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.19 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.