LLM 기반 학제 간 영감을 통한 과학적 창의성 촉발

과학 연구가 특정 분야에 매몰되는 '사일로 현상'을 극복하기 위해, AI가 심리학이나 사회학 같은 이종 분야의 원리를 가져와 새로운 연구 방향을 내놓는다. 이는 단순한 아이디어 생성을 넘어 인간 연구자의 창의적 사고 과정을 보조하는 'AI 공동 과학자'의 가능성을 시사한다.

기존 LLM은 방대한 지식을 가졌지만, 연구 아이디어를 낼 때 단순히 겉핥기식 비유를 들거나 실현 불가능한 제안을 하는 경우가 많다. 반면 인간 연구자는 자기 분야의 데이터와 문헌에는 밝지만 타 분야의 혁신적 방법론을 도입하는 데 한계가 있다. Idea-Catalyst는 '메타인지' 개념을 도입한다. 먼저 해결하려는 문제를 '실시간 의도 추론' 같은 도메인 특화 용어가 아닌 '가변적 환경에 대한 행동 적응' 같은 추상적 문제로 바꾼다. 이렇게 하면 컴퓨터 과학의 문제를 심리학의 '메타 제어 상태 모델'과 연결할 수 있는 고리가 생긴다. 이 과정을 통해 심리학의 '보상 기반 학습'이 강화학습(RL)의 기초가 되었듯, 현대의 난제들을 해결할 수 있는 이종 학문의 핵심 원리(Takeaways)를 추출하고 이를 다시 원래 연구 맥락에 맞게 재구성(Recontextualization)하여 구체적인 연구 가이드를 제공한다.

비판적 사고(Critical Reasoning) 단계로, 목표 도메인($D_{target}$)의 문헌을 조사하여 해결된 문제와 여전히 남은 난제($Q_{open}$)를 구분한다. 각 연구 질문 $q_i$에 대해 도메인 특화 수식화 $q_i^D$와 도메인 불가지론적 수식화 $q_i'$를 생성한다. [연구 목표를 입력으로] → [LLM을 이용한 추상화 연산을 수행해] → [전문 용어가 제거된 일반적 질문을 얻고] → [이 값이 타 학문 분야와의 유추를 위한 검색 쿼리로 사용된다].

창의적 탐색(Creative Exploration) 단계로, 추상화된 질문($q'$)을 바탕으로 유추 가능한 외부 소스 도메인($D_{source}$, 예: 심리학, 사회학)을 선정한다. Semantic Scholar API를 통해 해당 분야의 핵심 논문 스니펫을 검색하고 개념적 시사점(Takeaways)을 추출한다.

통합 및 랭킹 단계로, 추출된 시사점을 목표 도메인의 제약 조건에 맞춰 재구성하여 '아이디어 파편(Idea Fragment)'을 생성한다. 이후 두 파편 간의 쌍체 비교(Pairwise Comparison)를 통해 학제 간 융합 잠재력이 높은 순서로 정렬한다. [추출된 시사점을 입력으로] → [목표 도메인 맥락으로의 재구성 연산을 수행해] → [구체적인 연구 가이드를 얻고] → [이 값이 최종적인 아이디어 후보가 된다].

CHIMERA 데이터셋을 활용한 실험 결과, Idea-Catalyst는 기존의 단순 검색 기반 방식(Free-Form) 대비 아이디어의 참신성(Novelty)에서 21.38%, 통찰력(Insightfulness)에서 16.22%의 상대적 향상을 기록했다.

6명의 박사급 연구원을 대상으로 한 사용자 연구에서, 생성된 연구 질문의 관련성은 5점 만점에 4.0점, 검색된 논문의 적절성은 3.5점을 기록하며 실무적인 연구 보조 도구로서의 가치를 입증했다.

소스 도메인 분포 조사 결과, 기존 방식이 컴퓨터 과학 분야에만 머무르는 경향(Entropy 0.326)이 강한 반면, Idea-Catalyst는 심리학, 생물학, 물리학 등 다양한 분야를 고르게 탐색(Entropy 0.682)하는 것으로 나타났다.

시스템 아키텍처는 Semantic Scholar API를 활용한 검색 증강 생성(RAG) 구조를 기반으로 하며, Qwen3-14B 모델을 주 엔진으로 사용한다. 핵심은 문제의 이중 표현(Dual Representation)이다. 도메인 특화 용어를 제거한 추상적 질문($q'$)은 타 학문 분야와의 개념적 유사성을 계산하는 앵커 역할을 수행한다.

아이디어 파편(Idea Fragment)은 (1) 목표 도메인의 난제, (2) 소스 도메인의 시사점, (3) 두 개념의 통합 근거(Rationale)를 포함하는 정형화된 구조로 생성되어 해석 가능성을 높인다. 랭킹 알고리즘은 절대 점수 대신 LLM Judge를 이용한 쌍체 비교 방식을 채택하여, 참신함과 타당성 사이의 복잡한 트레이드오프를 효과적으로 평가한다.

생성된 아이디어와 시사점이 때때로 너무 장황하여 핵심 기술 내용을 파악하기 어렵다는 지적이 있으며, 연구자의 배경지식에 따른 맞춤형 요약 전략이 부족하다.