보는 모델에서
검증하는 과학자로

Neuro-Symbolic AI는 무엇을 결합하는가

Neuro-Symbolic AI는 neural model의 학습·인지·생성 능력과 symbolic system의 명시적 지식·논리·제약·계획 능력을 하나의 계산과정 안에서 결합하는 AI다.

중요한 경계가 하나 있다. KG를 검색한다고 모두 Neuro-Symbolic AI인 것은 아니다. 2026년 clinical neuro-symbolic LLM systematic review는 symbolic component가 inference에 실제로 개입해 출력을 inform, constrain, verify 또는 post-process하는 경우를 neuro-symbolic system으로 보았다. 단순 RAG와 domain fine-tuning은 이 정의에서 빠진다.

잠재표현만으로는 “왜 이 가설을 믿어야 하는가”에 답하기 어렵다

멀티모달 파운데이션 모델은 수많은 패턴을 latent representation 안에 압축한다. 예를 들어 “Compound A가 EGFR T790M mutant에 결합할 가능성이 높다”고 예측할 수 있다. 그러나 실제 연구자는 곧바로 다른 질문을 던진다. 구조적 근거는 무엇인가. 알려진 화학 규칙과 충돌하지 않는가. 어떤 assay 조건에서 검증됐는가. 합성 가능한가. 독성 제약을 위반하지 않는가. 반대 evidence는 무엇인가. 다음에 어떤 실험을 하면 불확실성이 가장 많이 줄어드는가.

반대로 symbolic AI만으로는 새로운 molecular pattern, 복잡한 3D geometry, omics signal을 충분히 학습하기 어렵다. 그래서 핵심 연구문제는 둘 중 하나를 선택하는 것이 아니다.

멀티모달 evidence \(X\), neural model \(f_\theta\), symbolic knowledge base \(K\), agent 집합 \(A\), candidate hypothesis \(h\)를 두면 다음과 같은 연구목표로 생각할 수 있다.

여기서 \(U_{\mathrm{neural}}\)은 neural plausibility, \(R_{\mathrm{symbolic}}\)은 지식·규칙 일관성, \(E\)는 evidence와 experimental testability, \(V\)는 constraint violation을 뜻한다. 신약개발에서는 여기에 chemistry, biology, safety, provenance 같은 hard constraint를 별도로 둘 수 있다.

AI는 조언자에서 과학적 workflow의 운영자로 이동한다

2026년 Nature의 Co-Scientist는 Generation, Reflection, Ranking, Evolution, Proximity, Meta-review와 Supervisor를 이용해 가설을 생성하고 비판하고 순위를 매기며 진화시킨다. AML drug repurposing, liver fibrosis target discovery, antimicrobial-resistance mechanism을 실제 biomedical validation과 연결했다.

같은 시기 Nature의 Robin은 문헌을 다루는 에이전트와 experimental-data analysis agent를 연결해 hypothesis → experiment → data → updated hypothesis라는 루프를 만든다. Virtual Lab은 LLM Principal Investigator와 specialist scientist agents가 ESM, AlphaFold-Multimer, Rosetta를 조합해 nanobody 후보를 설계하고 실험으로 검증했다.

과학적 세계는 텍스트 한 종류로 쓰여 있지 않다

TxGemma는 molecule, protein, nucleic acid, disease, cell line에 걸친 therapeutic task를 다루고 Agentic-Tx를 통해 tool-using therapeutic agent 방향까지 확장한다. BioMatrix는 molecule과 protein의 sequence·structure·natural language를 하나의 discrete token space에서 처리하는 방향을 제시한다.

이런 모델은 Neuro-Symbolic Co-Scientist에서 neural perception layer가 된다. 텍스트를 읽고, 구조를 보고, 분자를 평가하고, omics 패턴을 압축한다. 그러나 perception은 reasoning의 시작이지 끝이 아니다.

규칙이 생성이 끝난 뒤가 아니라 생성 과정 안으로 들어온다

2025년 PMLR의 Neuro-Symbolic Generative Diffusion은 diffusion step 사이에 symbolic optimization을 삽입한다. non-toxic molecular generation, data scarcity, out-of-distribution generation 같은 문제에서 neural generation과 symbolic constraint를 함께 다룬다.

생성이 끝난 뒤 나쁜 후보를 버리는 post-hoc filter와 다르다. 규칙이 다음 생성 상태 자체를 수정한다. 이는 Neuro-Symbolic drug design을 단순 설명가능성 기법과 구분하는 중요한 지점이다.

LLM agents + KG + deterministic rules가 실제 의사결정에 들어간다

2026년 oncology clinical-trial matching 연구는 domain-specific LLM agents, oncology knowledge graph, deterministic eligibility rules, human review를 결합한 neuro-symbolic multi-agent system을 prospective 3,804-patient setting에서 평가했다. 논문은 F1 0.82를 보고했고, 비교한 GPT-4 zero-shot은 0.47, GPT-4 chain-of-thought는 0.67이었다. ablation에서도 KG grounding과 multi-agent decomposition이 기여했다.

이 연구는 early-stage drug discovery 자체는 아니다. 그러나 LLM agent가 자유롭게 판단하고 symbolic layer가 나중에 설명을 붙이는 구조가 아니라, symbolic KG와 deterministic reasoning이 실제 판정에 들어간다는 점에서 중요한 인접 증거다.

자연법칙과 실패비용이 큰 문제일수록 명시적 제약이 중요하다

2025년 hERG-LTN 연구는 molecular/LLM embedding과 Logic Tensor Network를 결합해 hERG blockade prediction을 다뤘다. 2026년 rare-disease repurposing 연구인 rd-explainer는 disease-specific KG와 GNN을 결합하고 semantic subgraph로 prediction을 설명한다. 서로 다른 연구지만 둘 다 “모델의 점수”를 “명시적 지식구조”와 연결하려는 흐름을 보여준다.

벡터 공간의 느낌을 논리 공간의 문장으로 바꾼다

Multimodal model이 반환하는 latent vector \(z\in\mathbb{R}^d\) 자체를 symbolic reasoner는 직접 다루기 어렵다. 따라서 다음과 같은 grounding이 필요하다.

하지만 biological truth는 대부분 0과 1로 깔끔하게 나뉘지 않는다. 그래서 \(\mathrm{binds}(A,B)=0.82\)처럼 uncertainty가 있는 truth degree를 다룰 수 있는 fuzzy/differentiable logic이 매력적이다.

논리식을 loss 안으로 넣는다

Logic Tensor Network(LTN)는 symbolic formula의 만족도를 differentiable objective로 만든다. 예를 들어 다음 규칙을 neural representation과 함께 최적화할 수 있다.

2025년 NeSyDPP-4는 6,563개의 bioactivity record를 이용해 DPP-4 inhibitor classification에 LTN을 적용하고 neural-only baseline보다 높은 결과를 보고했다. 중요한 점은 특정 수치 하나보다, 도메인 knowledge가 prediction의 사후 설명이 아니라 학습과 추론의 계산항으로 들어갔다는 데 있다.

과학적 hypothesis는 문장보다 구조화된 객체에 가깝다

가설 \(H\)가 현재 지식 \(K\)와 모순되는지는 논리적으로 검사할 수 있다.

그러나 실제 과학은 Boolean contradiction보다 복잡하다. rule이 예외를 허용하고, evidence가 서로 충돌하고, 새로운 실험이 기존 conclusion을 뒤집는다. 따라서 future Co-Scientist에는 classical logic뿐 아니라 fuzzy logic, probabilistic logic, defeasible reasoning, temporal reasoning, argumentation이 함께 필요하다.

여덟 개의 구조적 난제

좋은 Neuro-Symbolic 설계는 모든 것을 hard rule로 고정하지 않는다. 절대 위반해서는 안 되는 제약, 데이터와 함께 업데이트되는 soft rule, 단지 근거 수준을 조절하는 heuristic을 구분해야 한다.

기술 조합을 falsifiable research question으로 바꾼다

그중 특히 강한 결합은 RQ1 + RQ5 + RQ9다. 즉 “neuro-symbolic shared scientific state + Falsifier Agent + experimental belief revision”이 실제로 과학적 가설의 품질을 높이는지 묻는 것이다.

Symbolic Scientific World Model을 중앙 상태로 둔다

Logic Tensor Network: soft logic을 학습과 추론 안에 넣는다

Property Agent는 점수 하나만 반환할 필요가 없다. 예측값, 만족한 규칙, 위반한 규칙, symbolic confidence를 함께 반환할 수 있다.

이 구조의 장점은 최종 rationale을 나중에 지어내는 대신, symbolic constraint가 실제 계산경로에 참여한다는 점이다.

KG + Neural Model + Semantic Explanation: mechanism path를 반환한다

rd-explainer는 KG → GNN → prediction → semantic explanation subgraph라는 구조를 rare-disease drug repurposing에 적용한다. Co-Scientist로 확장하면 Hypothesis Agent가 “Drug A를 Disease D에 repurpose하자”고 제안했을 때 Mechanism Agent가 다음과 같은 path를 반환하도록 만들 수 있다.

그 다음 Falsifier Agent는 같은 질환에 대해 반대 mechanism path와 conflicting observation을 찾는다. 설명은 답변의 장식이 아니라 다음 실험을 선택하는 입력이 된다.

Constrained Molecular Generation: symbolic projection을 생성 내부에 삽입한다

symbolic layer에는 valence, forbidden substructure, toxicity alert, desired pharmacophore, molecular-weight range, synthesis rule 등을 넣을 수 있다. 핵심 연구질문은 제약을 얼마나 일찍, 얼마나 강하게, 어떤 uncertainty와 함께 적용해야 novelty를 지나치게 깎지 않는가이다.

Neuro-Symbolic Retrosynthesis: neural scoring이 symbolic search를 안내한다

2025년 Nature Communications 연구는 retrosynthesis를 neural-guided symbolic search로 다룬다. AND–OR search graph와 reaction template이라는 명시적 구조를 neural model이 안내하고, wake–abstraction–dreaming을 통해 reusable synthesis pattern을 학습한다.

이 구조를 Co-Scientist에 넣으면 “좋아 보이는 분자”와 “실제로 만들 수 있는 분자” 사이의 간극을 reasoning 단계에서 다룰 수 있다.

Deterministic Symbolic Arbitration: 최종 판정에는 규칙을 둔다

oncology trial matching 연구처럼 LLM agents가 정보를 해석하더라도 최종 eligibility를 KG와 deterministic rule이 판정하도록 설계할 수 있다. 이를 drug discovery로 옮기면 Chemistry, Biology, Safety rule engine이 후보를 PASS/REVISE로 되돌리는 arbitration layer가 된다.

Proof-Carrying Hypothesis: 가설과 함께 검증구조를 전달한다

더 강한 방향은 Co-Scientist가 문장 하나가 아니라 다음 구조를 반환하도록 만드는 것이다.

이것을 proof-carrying scientific hypothesis라고 부를 수 있다. 핵심은 proof가 자연어 설명이 아니라 machine-verifiable trace와 연결되는 것이다.

신약개발 파이프라인에서 Neuro-Symbolic AI가 들어갈 자리

Target identification

omics와 literature를 neural model이 분석하고 Gene → Pathway → Phenotype → Disease라는 symbolic mechanism을 검사할 수 있다. causal constraint를 함께 쓰면 단순 correlation 기반 target ranking에서 한 단계 더 나아갈 수 있다.

Hit discovery / hit selection

potency, selectivity, structural compatibility, novelty, synthesizability, ADMET를 multi-objective neural prediction으로 평가하고 symbolic constraints로 탈락 사유를 명시할 수 있다.

De novo molecular design

foundation/diffusion model이 molecule을 만들고 symbolic rule이 generation step 안에서 invalid state를 수정한다. Neuro-Symbolic Generative Diffusion이 가장 직접적인 2025년 사례다.

ADMET / toxicity

NeSyDPP-4와 hERG-LTN 계열은 molecular representation과 logic reasoning이 potency와 toxicity prediction에 적용될 수 있음을 보여준다.

Drug repurposing

KG + GNN + semantic subgraph 설명을 사용하는 rd-explainer와 Co-Scientist의 hypothesis generation을 결합하면 prediction과 mechanism evidence를 하나의 agentic workflow로 만들 수 있다.

Retrosynthesis

symbolic reaction template과 neural scoring을 함께 사용하면 후보의 pharmacological attractiveness와 synthetic feasibility를 동시에 검토할 수 있다.

Precision medicine / clinical trial matching

2026 oncology multi-agent neuro-symbolic system은 후단 translational decision에서 LLM agent + KG + deterministic rule 구조가 prospective setting에 적용될 수 있음을 보여준다.

End-to-end benchmark가 아직 연구구조를 따라오지 못한다

1. 통합 benchmark 부재. QSAR는 AUROC/F1, KG는 MRR/Hits@K, molecule generation은 validity/novelty, agent는 task success, Co-Scientist는 expert ranking·wet-lab을 본다. 하나의 Neuro-Symbolic Co-Scientist를 비교할 공통 benchmark가 없다.
2. Scientific logic의 표준표현 부재. first-order logic, probabilistic logic, SHACL, OWL, Datalog, ASP, causal graph 가운데 무엇을 어디에 쓸지 확립되지 않았다.
3. Rule governance. \(R_{\mathrm{expert}}\), \(R_{\mathrm{LLM}}\), \(R_{\mathrm{data}}\)가 충돌할 때 우선순위와 confidence를 어떻게 결정할지 필요하다.
4. Negative knowledge 부족. “관계가 있다”는 positive fact보다 “이 조건에서 효과가 없었다”는 사실이 반증에는 중요하지만 공개가 적다.
5. Proof faithfulness. LLM explanation과 실제 symbolic proof가 다를 수 있다. machine-verifiable trace가 필요하다.
6. Prospective evaluation. 논리적으로 일관된 hypothesis가 생물학적으로 맞다는 보장은 없다. 최종 metric은 logical validity만이 아니라 experimental success여야 한다.

Neural State + Symbolic State

현재 LLM memory는 주로 text/context memory다. 미래 Co-Scientist는 neural latent world state와 symbolic knowledge state를 함께 가져야 한다.

여기서 \(Z_t\)는 latent representation, \(K_t\)는 KG·ontology·rules·causal assertions·constraints를 포함하는 symbolic state다. 새로운 실험 \(E_t\)가 들어오면 두 상태가 함께 갱신된다.

이를 Dual Scientific World Model이라고 부를 수 있다. 이 구조가 중요한 이유는 실험결과가 단지 context window에 한 줄 추가되는 것이 아니라, 모델이 세계를 표현하는 방식과 명시적 belief를 동시에 수정하게 만들기 때문이다.

좋은 가설을 찾기 전에 가장 빨리 무너뜨릴 실험을 찾는다

현재 많은 agentic system은 좋은 candidate를 찾는 방향으로 최적화된다. 과학적 관점에서는 반대 질문이 더 중요할 수 있다. “이 가설이 틀렸음을 가장 빨리 보여줄 evidence는 무엇인가.” symbolic contradiction과 causal falsification을 agent architecture의 기본 연산으로 넣는 방향이다.

규칙은 prediction이 아니라 다음 실험도 제한한다

이는 Active Learning과 Symbolic Experimental Planning의 결합이다. 가장 많은 정보를 주는 실험을 찾되, 안전·비용·실행가능성 규칙을 위반하지 않도록 한다.

Association path를 intervention hypothesis로 바꾼다

기존 biomedical KG의 Drug —associated_with→ Disease보다 중요한 것은 mechanism이다.

이를 causal graph, structural causal model, biological ontology, intervention data와 연결하면 “관련되어 있다”보다 “개입하면 무엇이 변할 것인가”에 가까운 hypothesis를 만들 수 있다.

최종 출력은 답변이 아니라 검증 가능한 scientific object다

이 형식은 “왜 이 답을 냈는가”보다 훨씬 엄격하다. 무엇을 믿는지, 어떤 규칙으로 통과했는지, 무엇이 아직 모르는지, 어떤 반례가 있는지, 어떻게 반증할지를 한 묶음으로 만든다.

에이전트가 채팅이 아니라 scientific state를 공유한다

각 에이전트가 자연어 대화만 주고받는 대신 하나의 symbolic blackboard를 공유하도록 설계할 수 있다. blackboard에는 Hypotheses, Facts, Rules, Conflicts, Unknowns, Experiments가 함께 존재한다.

앞선 HRKG 관점과도 자연스럽게 맞물린다. HRKG가 “Co-Scientist가 무엇을 알고 있는가”를 표현한다면 Neuro-Symbolic AI는 “그 지식으로 어떻게 검증 가능한 추론을 하는가”를 담당한다.

가장 강한 질문은 “KG를 붙였는가”가 아니다

한국어로 풀면 이렇다. 멀티모달 파운데이션 모델이 생성한 가설을 Knowledge Graph·ontology·logic·causal rule·chemical constraints로 검증하고, 여러 전문 에이전트가 하나의 symbolic scientific state를 공유하며, 실제 실험에 따라 그 믿음을 수정하게 만들었을 때 기존 LLM-only 또는 RAG-only AI Co-Scientist보다 더 신뢰할 수 있고 반증 가능하며 실험 성공률이 높은 가설을 만들 수 있는가.

역할을 한 문장으로 나누면 더 선명하다. 멀티모달 파운데이션 모델은 보고, HRKG는 기억하고, Neuro-Symbolic AI는 논리적으로 검증하고, 멀티에이전트 Co-Scientist는 논쟁하며, 실험은 판결한다.

이 구조가 실현되면 AI Co-Scientist의 산출물은 “확률이 높은 답”에서 “근거와 규칙과 반례와 반증실험을 가진 수정 가능한 scientific belief”로 바뀐다. 현재 문헌에서 가장 큰 연구공백이자, 신약개발 AI Co-Scientist에 Neuro-Symbolic AI를 적용할 가장 설득력 있는 이유도 여기에 있다.