Accelerating science with human-aware artificial intelligence

Motivation

• Known: 출판된 과학 논문 데이터로 학습한 AI 모델은 신약 개발과 신소재 발견에 성공했으나, 과학 커뮤니티의 인간 과학자들의 역할과 협력 네트워크는 간과되어왔다.
• Gap: 기존 AI 모델들은 과학 콘텐츠(논문 텍스트)에만 초점을 맞추고, 과학자들의 분포, 협력 관계, 그리고 인지적 접근성(cognitive accessibility)을 반영하지 못하여 미래 발견 예측의 정확도가 제한되어 있다.
• Why: 과학 발전은 개별 과학자들의 인지적 배경과 사회적 상호작용에 크게 영향을 받으므로, 인간 중심 AI는 연구 효율성을 극대화하고 미발견 영역의 가능성을 체계적으로 탐색할 수 있게 한다.
• Approach: 출판 메타데이터에서 추출한 저자-물질-성질의 혼합 하이퍼그래프(hypergraph) 위에서 랜덤 워크(random walk)를 수행하여 과학자들이 인지적으로 접근 가능한 추론 경로를 시뮬레이션하고, 이를 통해 인간 전문가 분포를 모델에 통합한다.

Achievement

• 예측 정확도 100% 향상: 재료 과학 분야에서 기존 Word2Vec 기반 콘텐츠 분석 대비 약 100% 향상된 미래 발견 예측 성능
• 확장 가능성 입증: 신약 개발(1,000+ 약물, 100+ 질병) 및 COVID-19 치료제 포함 수천 개의 새로운 물질-성질 관계 예측 성능 비교 검증
• 희소 데이터 성능 우수: 관련 문헌이 제한된 경우 human-aware AI의 성능 향상이 특히 두드러짐
• 보완적 발견 생성: 과학 커뮤니티의 집단 인지에서 놓친 '이질적(alien)' 가설을 체계적으로 생성하여 미래 과학 발전 가능성 제시

How

Fig. 1 | Motivation and design of our approach to simulate human-accessible

• 혼합 하이퍼그래프 구성: 저자(author), 물질(material), 성질(property) 노드와 논문(hyperedge)을 통합
• 랜덤 워크 시뮬레이션: (1) 성질을 시작점으로 초기화, (2) 해당 성질을 언급한 논문 선택, (3) 논문에서 저자 또는 물질 선택 후 반복하는 마코프 프로세스(Markov process) 수행
• 비균등 샘플링 파라미터 α 도입: 물질과 저자 노드 선택의 불균형 조정으로 협력(α 작음) vs. 독립 연구(α 큼) 강도 조절
• 근접성(proximity) 기반 예측: 저자-저자, 저자-물질, 물질-성질 간 거리를 계산하여 미래 발견 가능성과 관련 과학자 추정
• 가용성 휴리스틱(availability heuristic) 응용: 과학 커뮤니티에서 특정 주제 조합에 대한 집단 관심도가 미래 발견을 예측하는 신호임을 활용

Originality

• 인간 전문가 분포를 AI 예측 모델에 정량적으로 통합한 새로운 접근법으로, 기존 콘텐츠 기반 AI와의 근본적인 패러다임 전환
• 심리학의 가용성 휴리스틱을 과학 커뮤니티 규모로 확장하여, 개인의 인지 편향이 집단 과학 발전에 미치는 체계적 영향 규명
• 랜덤 워크를 통한 인지적 접근성 시뮬레이션으로 '과학자가 상상할 수 있는 발견'을 명시적으로 모델링", 'Swanson의 지식 발견 휴리스틱을 AI 기반으로 자동화하고, 인간 과학자가 상상하기 어려운 보완적 가설의 체계적 생성 방법 개발

Limitation & Further Study

• 데이터 제한: 출판 메타데이터에만 의존하므로 미발표 연구, 동료 간 비공식 커뮤니케이션, 산업 비밀 등을 반영하지 못함
• 파라미터 튜닝의 민감성: α 값 선택이 결과에 영향을 미치는데, 최적값 결정을 위한 명확한 가이드라인 부족
• 인과성 vs 상관성: 랜덤 워크 근접성이 미래 발견을 예측한다는 것이 인과적 관계인지 상관적 관계인지 명확하지 않음
• 검증 시간차: 모델이 미래 발견을 '예측'하는 것이지만, 실제 검증에는 장시간 소요되므로 예측 신뢰도의 즉시 평가 어려움", '후속 연구: (1) 실시간 협력 네트워크 데이터 통합, (2) 학제 간 발견의 메커니즘 심화 연구, (3) 모델 해석성(interpretability) 향상으로 특정 발견을 예측한 이유 설명 강화

Evaluation

총평: 과학적 발견의 사회적·인지적 차원을 AI에 통합한 획기적 연구로, 기존 콘텐츠 기반 AI의 한계를 극복하고 미래 발견 예측의 정확도를 대폭 향상시킨다. 과학 가속화와 혁신적 발견 발굴 모두에 실질적 기여 가능성이 높다.