Intern-Atlas: AI 과학자를 위한 연구 인프라로서의 방법론적 진화 그래프

기존의 논문 검색 시스템은 단순 인용 횟수 중심이라 특정 기술이 왜 등장했고 어떤 한계를 해결했는지 파악하기 어렵다. Intern-Atlas는 AI 방법론 간의 인과관계를 그래프로 구조화하여 AI 에이전트가 스스로 연구 흐름을 이해하고 새로운 아이디어를 제안할 수 있는 토대를 마련했다.

기존의 논문 인용 네트워크는 논문 A가 논문 B를 인용했다는 사실만 알려줄 뿐, A가 B의 구조를 확장(extends)했는지 아니면 특정 병목 현상을 해결(improves)했는지와 같은 구체적인 기술적 맥락을 제공하지 못한다. 이는 AI 에이전트가 수많은 텍스트 데이터 속에서 기술의 발전 방향을 스스로 학습하는 데 큰 장애물이 된다.

Intern-Atlas는 이러한 한계를 극복하기 위해 인용 관계를 7가지의 구체적인 인과 유형으로 분류하고, 각 연결마다 원문에서 추출한 '병목(Bottleneck)'과 '해결 메커니즘(Mechanism)' 증거를 부착한다. 예를 들어 Transformer에서 BERT로 이어지는 연결에는 '병렬 처리 능력 확장'이라는 구체적인 기술적 이유가 데이터로 저장된다.

결과적으로 AI 에이전트는 단순한 텍스트 검색이 아니라, 구조화된 그래프를 탐색하며 '어떤 기술적 문제가 아직 해결되지 않았는가'를 논리적으로 추론할 수 있게 된다. 이는 AI가 단순 보조 도구를 넘어 스스로 가설을 세우고 연구를 수행하는 'AI 과학자'로 진화하는 데 핵심적인 데이터 인프라가 된다.

Intern-Atlas 구축은 엔티티 해소, 에지 타이핑, 증거 추출의 3단계로 구성된다. 먼저 LLM을 사용하여 논문 텍스트에서 방법론 명칭을 추출하고, 동일한 기술에 대한 다양한 별칭을 하나의 표준 노드로 통합한다.

에지 타이핑 단계에서는 인용 문맥을 분석하여 extends, improves, replaces, adapts 등 7가지 관계 중 하나로 분류한다. [인용 문맥 텍스트 입력 → LLM 분류 연산 → 관계 유형 출력] 순으로 진행되며, 이 중 상위 4개 유형은 강력한 인과 관계를 나타내는 'Strong-causal' 서브 그래프를 형성한다.

마지막으로 증거 추출 단계에서는 각 연결에 대해 병목 현상, 해결 메커니즘, 트레이드오프에 해당하는 원문 구절을 직접 매핑한다. [분류된 에지 입력 → 원문 구절 추출 연산 → 증거 레코드 출력] 과정을 통해 모든 데이터의 근거를 확보하며, 이는 사후 검증기를 통해 원문과 일치하는지 엄격히 확인된다.

구축된 그래프는 전문가가 큐레이션한 진화 체인과 비교했을 때 91.0%의 노드 매치율(NMR)과 89.7%의 에지 도달율(ERR)을 기록하며 높은 정확도를 입증했다. 특히 제안된 SGT-MCTS 알고리즘은 기존 Beam Search 대비 진화 체인 복원 성능(CAS)에서 39.9포인트 이상의 향상을 보였다.

아이디어 평가 실험에서는 Intern-Atlas의 점수가 실제 논문의 투고 결과(Top-tier, Core, Workshop, Rejected)와 강력한 상관관계를 가짐이 확인됐다. Top-tier 컨퍼런스 논문은 평균 8.48점을 받은 반면, 거절된 논문은 5.84점에 그쳐 그래프 기반 평가의 유효성을 증명했다.

아이디어 생성 측면에서도 Intern-Atlas를 활용했을 때 전문가 평가 기준 승률(Win Rate)이 외부 지식 베이스가 없는 경우보다 88.0%, 일반적인 RAG 방식보다 81.0% 높게 나타났다. 이는 구조화된 진화 맥락이 단순 문서 검색보다 고품질의 연구 제안에 더 효과적임을 시사한다.

Intern-Atlas의 아키텍처는 대규모 논문 코퍼스를 구조화된 지식 그래프 G=(V, E, τ, ρ)로 변환하는 파이프라인이다. 여기서 V는 논문, 방법론, 스텁 노드를 포함하며, E는 9가지 유형의 causal vocabulary를 가진 에지 집합이다. τ는 발행 연도 맵, ρ는 각 에지에 부착된 4개 필드의 증거 레코드이다.

핵심 알고리즘인 SGT-MCTS는 UCT 선택 규칙에 그래프 기반의 사전 확률 αG를 결합한다. αG는 LLM이 보고한 에지 신뢰도와 발행 연도 간격에 따른 시간적 개연성(Temporal Coherence)의 곱으로 계산된다. [에지 신뢰도 × 시간 함수 연산 → αG 출력]을 통해 물리적으로 불가능하거나 근거가 약한 진화 경로를 배제한다.

아이디어 평가 엔진은 Novelty, Feasibility, Significance, Validity, Clarity의 5개 차원을 독립적으로 측정한다. 각 점수는 텍스트 분석이 아닌 그래프 통계량(예: 인차수, 메커니즘 간 Jaccard 거리 등)을 기반으로 계산되어 LLM 특유의 주관적 편향을 최소화하도록 설계되었다.

추출 단계에서 Phase-1 에지 분류 정확도가 모델에 따라 70.4%에서 93.0% 사이로 나타나 미세한 인과 관계 구분에서 한계가 존재할 수 있다. 또한 시간적 일관성 함수(TC)가 2015년 이후의 AI 문헌에 최적화되어 있어, 연구 주기가 크게 다른 타 분야에 적용할 경우 재보정이 필요하다.