ICAIS 2025 AI Scientist Track • 100% Acceptance

EvoScientist
Continuous Evolution AI

상호작용 이력을 지능적 자산으로 변환하여 스스로 진화하는 차세대 멀티 에이전트 과학적 발견 시스템

핵심 전략: 지속적 진화 (Continuous Evolution)

기존 AI의 일회성 파이프라인 한계를 극복합니다. 실험의 성공과 실패 궤적을 실시간으로 정제하여 지식 베이스를 동적으로 업데이트합니다. 단순 로그가 아닌 '자산'으로서의 데이터를 관리합니다.

지식 베이스 동적 업데이트 실험 궤적 자산화 가설 참신성 누적 개선
44.56%
Execution Success Rate

자기 진화 메커니즘 적용 후 초기 34.39% 대비 약 30% 성능 향상 달성.

Multi-Agent Ecosystem

전문 영역별 에이전트의 유기적 협업

Researcher (RA)

ENGINE: Gemini-2.5-Pro

  • • 가설 설정 및 아이디어 트리 탐색
  • • Elo 기반 토너먼트 프로토콜
  • • 아이디어 메모리($M_I$) 참조

Engineer (EA)

ENGINE: Claude-4.5-Haiku

  • • 4단계 실험 트리 탐색 ($N^s_E$)
  • • 반복적 코드 수정 및 디버깅
  • • 실험 메모리($M_E$) 관리

Evolution Manager

ENGINE: Gemini-2.5-Pro

  • • 상호작용 이력 정제 및 업데이트
  • • 실험 전략 진화 (ESE) 메커니즘
  • • $M_I, M_E$ 통합 메모리 관리

Advanced Search & Rating

Elo 기반 토너먼트 (RA)

LLM의 위치 편향 해결을 위해 Pairwise Comparison 방식 도입. Novelty, Feasibility, Relevance, Clarity 기반 21개 후보군 평가.

4단계 실험 트리 탐색 (EA)

Initial → HP Tuning → Proposed Method → Ablation. 제안 방법론 단계의 병목(성공률 21.57%)을 반복 디버깅으로 극복.

Retrieval Dynamics mxbai-embed-large
Idea ($k_I=2$)
Exp ($k_E=1$)
$K = \text{Retrieve}(M, P, \text{cosine similarity})$

Evolution Mechanisms (EMA)

IDE
아이디어 방향 진화

상위 랭킹 아이디어에서 유망 연구 방향을 추출하여 지식 베이스 강화

IVE
아이디어 검증 진화

실패 보고서 분석 및 트리거 기반 필터링으로 반복 시행착오 차단

ESE
실험 전략 진화

최적 구현체에서 데이터 처리 및 학습 전략을 추출하여 엔진 내재화

🏆

Best Paper Award

ICAIS 2025

📄

6/6 Acceptance

100% SUCCESS RATE

🤝

Human-AI Hybrid

Inductive Reasoning

Handover Point

EvoScientist는 귀납적 발견(What)에 탁월하며, 인간 전문가는 시스템이 제공한 결과에 심층적 이론 정형화(Why)를 덧붙여 과학적 지평을 넓힙니다.