가설을 더 많이 만드는 AI에서
틀린 믿음을 실제로 고치는 AI로

기존 LLM-based scientific agent의 믿음은 자연어 reasoning trace와 memory 안에 흩어져 있다. 새로운 실험결과가 기존 가설과 충돌하면 어느 causal assumption을 제거할지, latent variable을 추가할지, mechanism function을 바꿀지, parameter만 수정할지 결정하는 명시적 state-transition rule이 없다.

EvoSCM은 Structural Causal Model(SCM)을 scientific agent의 지속적인 epistemic state로 사용한다. 하나의 가설을 고정하지 않고 여러 competing SCM hypothesis를 population으로 유지한 뒤 서로 다른 prediction을 내는 intervention을 선택한다.

실험 전 prediction commitment는 결과를 본 뒤 설명을 바꾸는 post-hoc rationalization을 줄이는 장치다. Falsification은 “critique를 잘 썼는가”가 아니라 model population의 생존·수정 여부로 operationalize된다.

첨부 메모가 정리한 GPT-5.5 기준 결과에서 mechanism explanation score는 약 0.516에서 0.751로 상승하고, normalized MSE는 약 \(2.83\times10^{-2}\)에서 \(2.77\times10^{-4}\)로 감소한다. pass@5도 27.27%에서 63.64%로 상승하며 필요한 experiment episode 수 역시 줄었다.

또 하나의 중요한 신호는 portable epistemic state다. 강한 모델에서 진화시킨 SCM을 다른 모델로 옮겨도 성능이 개선된다. 즉 지식이 natural-language chain-of-thought나 특정 backbone parameter 안에만 묶이지 않고 외부의 explicit causal state로 이동할 가능성을 보여준다.

후보 항암제의 기전을 자연어 hypothesis 하나로 유지하는 대신 위와 같은 SCM으로 표현하고, 서로 다른 target/pathway mechanism을 competing hypothesis로 동시에 유지할 수 있다. Perturbation assay, CRISPR knockout, dose-response, combination assay가 들어오면 edge를 제거하거나 latent confounder를 추가하고 mechanism function 또는 parameter를 수정한다.

두 층을 결합하면 evidence provenance와 causal semantics를 분리하면서도 연결할 수 있다. HRKG는 증거의 조건과 신뢰성을, SCM은 causal explanation과 revision rule을 담당한다.

첨부 메모의 해석에 따르면 이 조합은 지금까지 논의해 온 Falsification-First Neuro-Symbolic Co-Scientist를 매우 구체적인 계산모델로 발전시킨다. 중요한 한계는 EvoSCM이 현재 물리학 benchmark에서 검증됐다는 점이다. 따라서 drug-target mechanism discovery와 therapeutic hypothesis revision으로의 확장 자체가 아직 비어 있는 연구문제다.

ANCHOR-RE: An Agentic Neuro-Symbolic Framework for Grounded Biomedical Relation Extraction는 LLM의 biomedical relation extraction에 ontology-guided reasoning, external knowledge grounding, data-driven verification rules를 결합한다.

문제의 출발점은 명확하다. SemRep 같은 symbolic system은 precision이 높지만 recall이 제한될 수 있고, LLM은 contextual reasoning이 강하지만 false-positive relation을 만들 수 있다. ANCHOR-RE는 이 두 성질을 결합해 relation을 더 신뢰할 수 있는 symbolic fact 후보로 만든다.

SemRepGS, DDI, ChemProt 세 benchmark에서 direct LLM prompting보다 성능이 향상됐으며, proprietary backbone 기준 DDI micro-F1은 0.769에서 0.872로 상승한다. 2026년 biomedical 논문 100편으로 temporal post-cutoff evaluation도 수행했고, 무작위 500개 prediction 수동평가에서 precision 69%를 보고했다.

중요한 점은 parameter fine-tuning 없이 symbolic ontology와 verification rule이 LLM inference 자체를 제어한다는 것이다.

Drug-discovery AI Co-Scientist에서 relation extraction의 진짜 문제는 `drug-target`, `drug-disease`, `protein-pathway`, `mutation-response`, `DDI`를 단순히 많이 추출하는 것이 아니다. 어떤 relation을 scientific state에 편입할 만큼 신뢰할 수 있는지 판단해야 한다.

첨부 메모가 제안하는 다음 단계는 triple을 다음과 같은 Hyper-Relational Evidence Object로 확장하는 것이다.

이 구조는 relation 자체뿐 아니라 관계가 성립하는 조건과 출처를 보존한다. 따라서 ANCHOR-RE는 HRKG의 ingestion/grounding layer로 자연스럽게 배치할 수 있다.

ANCHOR-RE는 문헌에서 어떤 사실을 믿을 후보로 만들 것인가를 담당하고, EvoSCM은 새 실험결과가 들어왔을 때 그 믿음을 어떻게 수정할 것인가를 담당한다. 두 층 사이에 multimodal molecular/protein foundation model과 experimental tool agent를 배치하면 Neuro-Symbolic Drug-Discovery Co-Scientist의 핵심 폐루프가 형성된다.

핵심은 새로운 evidence가 memory에 “추가”되는 것으로 끝나지 않는다는 점이다. evidence가 causal model의 구조를 바꾸고, 바뀐 구조가 과거 evidence와 충돌하면 그 수정안마저 폐기된다.

첨부 메모는 이 질문을 현 시점에서 가장 신규성이 높은 논문 방향으로 정리한다. 이유는 Neuro-Symbolic AI, HRKG, causal reasoning, falsification, belief revision, experimental automation을 하나의 검증 가능한 연구축으로 묶기 때문이다.

이번 업데이트가 주는 가장 강한 연구신호는 “belief revision”을 prompt engineering에서 시스템 상태전이 문제로 옮길 수 있게 되었다는 점이다.

ANCHOR-RE는 evidence가 symbolic state로 들어오는 입구를 정제하고, Epistemic HRKG는 조건·출처·불확실성·counter-evidence를 보존하며, EvoSCM은 그 evidence가 causal belief를 어떻게 수정해야 하는지 계산한다. 이 연결을 drug-target mechanism과 intervention-driven therapeutic discovery에서 실증하면, “가설을 제안하는 AI”보다 한 단계 강한 causally revisable scientific agent를 평가할 수 있다.