과학적 주장은
실행과 규칙을 통과한 뒤에만
믿음이 되어야 한다

Hypothesis → Experiment → Result → Manuscript

Google DeepMind·Google Research·Duke·Columbia·Texas A&M 등의 연구진이 2026년 8월 27일 공개한 Accelerating Scientific Research with Gemini in the Real-World은 기존 Google Co-Scientist의 in-silico hypothesis generation을 실제 execution-grounded closed loop로 확장한다.

실제 CVD 장비와 연결해 물질합성을 수행했고, biology에서는 engineered E. coli의 IPTG 농도별 swarming phenotype을 sparse imaging data로 예측하여 미공개 wet-lab measurement와 비교했다.

Raw execution log가 자연어보다 높은 권위를 갖는다

Neuro-Symbolic 관점에서 핵심은 deterministic reliability layer다. 시스템은 생성된 논문의 수치적 주장과 통계치를 raw execution log와 자동 비교한다. 불일치가 있으면 문장을 log에 맞게 수정하고, 유효한 execution log가 없으면 manuscript generation을 중단한다.

즉 “LLM이 자신의 답을 다시 읽고 비평한다”가 아니다. 외부의 계산 가능한 상태가 자연어 claim을 거부할 수 있다.

다만 한계도 명시적이다. execution-log verification이 noisy physical experiment에서 아직 검증되지 않았고, data leakage·metric misuse·post-hoc selection bias까지 해결하는 것은 아니다.

Claim이 tool artifact에 직접 매달려야 한다

신약개발에서는 Docking Agent, MD/FEP Agent, ADMET Agent, Synthesis Agent, Assay Agent의 결론을 LLM이 요약하는 데서 끝내면 안 된다. 각 claim을 docking pose, ΔG trajectory, prediction artifact, synthesis log, assay readout와 기계적으로 연결해야 한다.

첨부 메모가 제안하는 Execution-Grounded Drug-Discovery Co-Scientist는 Epistemic HRKG의 hypothesis/evidence node에 citation 대신 또는 citation과 함께 execution_id, tool_version, parameterization, raw_result, verification_status를 qualifier로 저장한다. 검증되지 않은 claim은 다음 agent 단계로 넘기지 않는다.

실행 가능한 잘못된 실험도 존재한다

Beyond Execution: Auditing Experimental Fidelity in LLM-Driven Scientific Research — ABE-Ralph는 2026년 8월 27일 공개된 연구로, scientific agent가 코드를 실행했다는 사실만으로 과학적 성공을 선언할 수 없다는 문제를 다룬다.

연구진이 관찰한 methodological hallucination에는 dataset을 몰래 축소하는 행위, training budget 변경, 실패한 구성요소를 lookup/oracle 함수로 대체, 제한된 결과를 과도하게 일반화하는 행위가 포함된다.

Claim과 protocol을 formal contract로 변환한다

ABE-Ralph는 논문의 claim, protocol, required component, baseline, metric을 structured experimental constraints로 바꾸고, 8단계 workflow에서 구현·실험·분석이 이 조건을 지키는지 검증한다.

이 논문의 신규성은 평가기준을 “결과가 나왔는가?”에서 “그 실험이 원래 주장하려는 가설을 실제로 검증했는가?”로 이동시킨 데 있다.

신약개발에서 formal verification problem으로 바꾼다

예를 들어 “후보 A가 B보다 target affinity가 우수하다”는 claim이 docking score 하나만으로 성립하면 안 된다. receptor protonation, binding-site definition, ligand preparation, docking seeds, baseline ligand, scoring function, replicate policy가 사전에 선언된 experimental contract를 만족해야 한다.

FEP라면 force field·lambda schedule·equilibration·convergence criterion, ADMET이라면 model domain과 applicability condition까지 검증되어야 한다. Experimental Contract를 HRKG의 first-class object로 만들면 symbolic reasoner가 “이 결과가 이 주장을 지지할 자격이 있는가?”를 판정할 수 있다.

Rule과 constraint가 first-class node가 된다

SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers는 2026년 8월 27일 공개됐으며, 첨부 메모가 이번 추적에서 Neuro-Symbolic architecture 자체로 가장 직접적인 신규 연구로 지목한다. 다만 현재 실험은 general logical reasoning benchmark이며 biomedical/drug-discovery validation은 없다.

일반 KG가 entity–relation fact를 중심으로 저장한다면 SymbolLKG는 논리 규칙과 constraint 자체를 graph의 first-class node로 만든다. 질문의 성격에 따라 적절한 symbolic engine으로 보내는 Logic Router와 topology-aware hybrid retrieval도 결합한다.

신약개발에서 표현할 수 있는 rule 예시

여기서 멈추지 않고 다음 같은 scientific rule을 graph에 명시할 수 있다.

문제종류에 따라 reasoner를 선택한다

Logic Router는 신약개발에서 특히 큰 연구기회를 만든다. 모든 문제를 하나의 reasoner에 넣는 대신 다음과 같이 분리할 수 있다.

• Chemical valence / molecular constraint → constraint solver
• Pathway reasoning → Datalog 또는 graph rule engine
• Causal intervention → Structural Causal Model
• Synthesis feasibility → reaction-rule planner
• Uncertain biological claim → probabilistic / fuzzy logic

이 구조는 “LLM + 하나의 symbolic module”보다 훨씬 현실적인 Multi-Solver Neuro-Symbolic Co-Scientist를 가능하게 한다.

Hypothesis node가 실행증거를 품는다

Execution-grounded Co-Scientist와 Experimental Contract, Logical KG를 결합하면 hypothesis는 단순 문장이 아니다. 각 hypothesis는 어떤 evidence에서 왔고, 어떤 tool version과 parameter로 실행되었으며, 어떤 constraint audit를 통과했고, 어떤 solver rule 아래서 지지되는지를 함께 갖는다.

열 단계의 falsifiable scientific loop

이 pipeline의 중요한 점은 각 단계가 단순 workflow box가 아니라 다음 단계로 진행할 자격을 판정하는 gate라는 것이다. evidence가 약하면 hypothesis confidence가 제한되고, experimental contract를 위반하면 결과는 claim support로 승격되지 않으며, symbolic solver가 rule violation을 발견하면 candidate는 reject 또는 revise 상태로 이동한다.

어떤 claim이 시스템의 믿음을 바꿀 수 있는가

기존 Neuro-Symbolic AI의 중심질문은 “LLM reasoning을 logic으로 어떻게 보강할 것인가?”였다. 첨부 메모는 이 질문을 한 단계 밀어붙인다.

이 질문은 neuro-symbolic reasoning을 inference augmentation에서 scientific belief governance로 확장한다.

Execution-Grounded Epistemic Neuro-Symbolic Co-Scientist for Falsifiable Drug Discovery

첨부 메모가 가장 신규성이 높은 논문주제로 제안하는 방향은 다음 조합이다.

source가 직접 증명한 것과 연구확장을 구분한다

• Gemini 연구는 execution-grounded closed loop와 log-based reliability를 보여주지만 noisy physical experiment의 완전한 검증을 해결하지는 않는다.
• ABE-Ralph는 experimental fidelity auditing을 ML reproduction에서 보여주지만 drug-discovery assay contract의 실증은 source에 없다.
• SymbolLKG는 logical reasoning benchmark에서 검증 가능한 reasoning을 보여주지만 biomedical/drug validation은 아직 없다.
• 따라서 세 기술의 통합 Drug-Discovery Co-Scientist는 source가 이미 완성한 시스템이 아니라 첨부 연구메모가 도출한 신규 연구방향이다.

바로 이 경계를 지키는 것이 중요하다. 미래 가능성을 현재 실증결과처럼 쓰지 않는 것 자체가 이 아키텍처가 추구하는 epistemic discipline과 같은 원칙이기 때문이다.

Neuro-Symbolic AI가 과학을 다루려면 “추론”보다 “자격”을 계산해야 한다

신약개발 Co-Scientist의 핵심질문은 “이 agent가 그럴듯한 reasoning을 했는가?”에서 “이 claim이 어떤 실행과 규칙을 통과해 어떤 상태로 승인되었는가?”로 이동하고 있다.

가설은 evidence를 가져야 하고, evidence는 contract를 지켜야 하며, contract를 지킨 실행은 logical rule을 통과해야 하고, 그 모든 과정이 provenance와 revision history로 남아야 한다. 그것이 falsifiable drug discovery를 위한 Neuro-Symbolic AI의 다음 단계다.