LLM-ODE: Data-driven Discovery of Dynamical Systems with Large Language Models

Essence

LLM-ODE의 개요: (1) 관찰된 궤적 데이터를 상태변수로 분해, (2) LLM이 진화 연산자로 작용하여 기호 방정식 모집단 진화 유도, (3) 방정식 수준 파레토 프론트의 카르테시안 곱에서 최종 시스템 선택

본 논문은 대규모 언어모델(LLM)을 유전 프로그래밍(GP)에 통합하여 동역학 시스템의 지배 방정식 발견을 가속화하는 LLM-ODE 프레임워크를 제안한다. 기호 표현의 광대한 탐색 공간을 효율적으로 탐색하기 위해 LLM의 생성 능력을 진화 연산자로 활용한다.

Motivation

Known: 유전 프로그래밍은 기호 회귀(Symbolic Regression)에서 유연성과 해석성으로 널리 채택되어 왔으며, SINDy 같은 선형 모델과 Transformer 기반 대규모 사전학습 방법도 존재한다.
Gap: 기존 GP 기반 방법들은 무작위 돌연변이(mutation)와 교배(crossover)에 의존하여 기호 표현의 조합론적 탐색 공간을 비효율적으로 탐색한다. 이는 수렴 지연, 국소 최적해 도달, 고차원 시스템에 대한 확장성 부족으로 이어진다.
Why: 최근 LLM들은 자연어 처리뿐만 아니라 과학적 추론, 최적화, 흑박스 재조합에서 강력한 능력을 보여주고 있어, 대규모 코퍼스에서 습득한 구조적·문법적 패턴을 기호 진화에 활용할 수 있는 기회가 있다.
Approach: 고성능 후보 방정식에서 추출한 패턴을 활용하여 LLM이 정보 기반 돌연변이와 재조합을 제안하는 하이브리드 프레임워크 개발. 섬(island) 기반 진화 전략으로 다중 모집단을 병렬 진화시키고, 주기적 정제 단계를 통해 섬 간 정보 공유를 촉진한다.

Achievement

다양한 정규화 평균 제곱 오차(NMSE) 임계값 λ에 따른 검색 반복에 대한 시스템 발견율

시스템 파레토 프론트를 따른 점의 개수

탐색 효율성: 91개 동역학 시스템(1~4개 상태변수 포함)에 대한 종합 실증 평가에서 LLM-ODE가 고전적 GP 방법 대비 훨씬 빠른 수렴과 더 적은 반복으로 해를 발견함을 입증
파레토 프론트 품질: LLM-ODE 변형들이 다양한 LLM 모델에 걸쳐 일관되게 기호 복잡도와 예측 오차의 균형 측면에서 전통 GP를 상회
확장성: 선형 모델 및 Transformer 단독 방법과 비교하여 고차원 시스템에 대한 우수한 확장성 달성

How

D=1 상태변수를 가진 동역학 시스템의 훈련 궤적

D=2 상태변수를 가진 동역학 시스템의 훈련 궤적

문제 분해: D차원 시스템을 D개의 독립적인 1변수 방정식 발견 문제로 분해하여 조합론적 복잡도 감소
LLM 기반 연산자: 현재 모집단에서 적응적 샘플링(softmax 분포 기반)으로 선택된 k개 방정식을 문맥 예제로 활용하여 LLM이 b개의 개선된 후보 표현식 제안
상수 최적화: 각 후보의 기호 구조는 고정하되, 수치적 상수와 계수를 외부 최적화기(numerical optimizer)를 통해 훈련 데이터에 맞춰 최적화
섬 기반 진화: 여러 모집단이 독립적으로 진화하되, n_refine 반복마다 섬 간 n_mix 개 방정식을 무작위 교환하고 저성능 절반 제거로 다양성 유지
다목적 선택: 최종 시스템을 방정식별 파레토 프론트(기호 복잡도 vs. 적합도)의 카르테시안 곱에서 선택하여 해석성과 정확성의 트레이드오프 반영

Originality

최초 시도: 진화 프레임워크 내에서 LLM을 활용하여 coupled differential equations 시스템 발견을 시도한 첫 번째 방법 (단일 방정식 발견을 다룬 선행 LLM-SR 연구와 차별)
하이브리드 설계: LLM의 생성 사전(generative prior)과 진화 알고리즘의 탐색 다양성을 결합한 혁신적 아키텍처
섬 정제 메커니즘: 주기적 정보 교환과 선택 압력 유지를 통한 새로운 다양성 촉진 전략
포괄적 벤치마크: 91개 시스템에 대한 대규모 실증 평가로 방법의 일반화 능력 입증

Limitation & Further Study

LLM 의존성: 방법의 효과가 LLM 품질에 크게 의존하며, 계산 비용 분석이 부재함. 더 경량의 모델 적용이나 비용-성능 트레이드오프 연구 필요
초기화 민감성: 섬 기반 접근과 무작위 초기화가 결과의 안정성에 미치는 영향에 대한 분석 부족
실험 범위: 벤치마크가 주로 합성 데이터에 기반하며, 실제 실험 데이터나 노이즈 강건성 평가가 제한적
기호 단순화: 발견된 방정식의 자동 단순화(algebraic simplification) 메커니즘 부재
이론적 분석: LLM 가이드가 탐색 공간의 수렴성이나 최적성에 미치는 영향에 대한 이론적 보장 부족
후속 방향: (1) 실제 과학 데이터셋 적용, (2) 동적 LLM 프롬프팅 전략, (3) 대안적 기호 표현(예: 함수형 프로그래밍) 탐색, (4) 하이퍼파라미터 민감도 분석 강화

Evaluation

Novelty: 4/5 Technical Soundness: 4/5 Significance: 4/5 Clarity: 4.5/5 Overall: 4/5

총평: LLM-ODE는 대규모 언어모델의 생성 능력을 유전 프로그래밍의 진화 연산자로 창의적으로 활용하여 기호 회귀의 효율성과 확장성을 실질적으로 개선한 강력한 작업이다. 다만 이론적 분석 강화, 실제 데이터 검증, 계산 비용 평가를 통해 실용적 영향력을 더욱 입증할 필요가 있다.

같이 보면 좋은 논문

CodePDE: An Inference Framework for LLM-driven PDE Solver Generation

기반 연구기호 회귀와 동역학 시스템 발견의 기초적 방법론을 제공한다.

Discovering Ordinary Differential Equations with LLM-Based Qualitative and Quantitative Evaluation

기반 연구유전 프로그래밍 기반 기호 회귀의 방법론적 토대를 제공하는 선행 연구로 보인다.

후속 연구SPECTER2 유사도 0.93로 Computational Molecular Design와 Formal Methods and Computational Reasoning가 맞닿아, 'LLM-ODE: Data-driven Discovery of Dynamical Systems with Large Language Models'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.

LLM-SR: Scientific Equation Discovery via Programming with Large Language Models

다른 접근동역학 시스템 발견을 위한 다른 LLM 기반 접근법을 제시한다.

Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback

후속 연구SPECTER2 유사도 0.92로 Computational Molecular Design와 Formal Methods & Code Generation가 맞닿아, 'LLM-ODE: Data-driven Discovery of Dynamical Systems with Large Language Models'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.

LLM-SRBench: A New Benchmark for Scientific Equation Discovery with Large Language Models

응용 사례LLM-ODE의 성능을 평가하기 위한 벤치마크로 사용될 수 있다.