과학적 믿음과
물리적 실험을 같은 상태 공간에 놓다

형식적 실험 검증, 장기기억 안전성, citation-KG evidence reasoning

이 세 축을 함께 보면 Co-Scientist의 symbolic component는 더 이상 “지식을 저장하는 그래프”만을 뜻하지 않는다. 무엇을 믿는지, 왜 믿는지, 그 믿음을 어떤 물리적 실험으로 검증할 수 있는지를 각각 명시적 상태로 유지해야 한다.

A computable representation of the physical laboratory enables verifiable workflows

2026년 9월 3일 공개. 이 연구는 LLM agent가 실험기기를 단순 tool-call하는 구조에서 한 걸음 더 나아가 물리적 실험실 전체를 계산 가능한 symbolic state space로 표현한다.

실제 modular robotic laboratory에서는 formal operation을 실행 가능한 Function Skill에 연결한다. 핵심은 실행 순서다. Agent가 workflow를 생성하면 곧바로 장비로 dispatch하지 않는다. 먼저 stateful simulation으로 object transformation을 전파하고, operation precondition과 laboratory constraint를 검사한 뒤에만 물리 실행을 허용한다.

명시적으로 Neuro-Symbolic이라 부르지 않아도 구조는 그 방향에 가깝다

첨부 파일은 이 논문이 신약개발 전용도 아니고 논문 자체가 “Neuro-Symbolic AI”라는 명칭을 사용하지 않는다는 점을 분명히 구분한다. 그럼에도 probabilistic LLM planner 위에 deterministic symbolic laboratory representation과 constraint checking을 둔다는 점에서 Neuro-Symbolic autonomous science에 실질적으로 가까운 구조라고 해석한다.

BioProAgent가 FSM을 사용해 장비 상태와 procedure를 제약했다면, 이번 접근은 typed objects와 workflow algebra로 agent reasoning과 physical-world transformation 사이에 formal execution semantics를 둔다는 차이가 있다.

신약개발 실험을 typed objects와 capability-bound operations로 재작성한다

이렇게 하면 “후보를 검증하라”는 자연어 명령이 실행 가능성, 순서 유효성, volume·concentration·instrument capability·safety constraint를 machine-checkable하게 증명한 뒤 dispatch되는 experiment contract로 바뀐다.

이 지점이 첨부 파일이 제시하는 중요한 연구공백이다. HRKG가 “무엇을 믿고 있는가”를 저장한다면 laboratory algebra는 “그 믿음을 어떤 실험으로 합법적으로 검증할 수 있는가”를 정의한다. 즉, knowledge-state와 physical-state의 형식적 연결이 연구문제가 된다.

The Memory Trust Gap: Capability-Dependent Failures in Persistent-Memory Agents

2026년 9월 1일 공개. 이 연구는 Qwen3 0.6B–8B와 Llama 계열에서 과거 저장된 stale fact와 현재 authoritative tool evidence가 충돌할 때 persistent-memory agent가 무엇을 믿는지 분석했다.

핵심은 단순하다. 모델 규모가 커진다고 epistemic conflict resolution이 자동으로 좋아지지 않는다. 따라서 Co-Scientist 장기 memory를 vector store나 conversation summary로만 두고 conflict resolution을 LLM의 latent judgment에 맡기는 것은 위험하다.

기억에는 값뿐 아니라 시간·권위·맥락·대체관계를 저장해야 한다

예를 들어 과거 HRKG에 Compound X is inactive against Target Y가 저장되어 있지만 새 assay가 특정 mutation context에서 활성을 보고할 수 있다. 이때 “어느 쪽을 믿을지”를 모델의 언어적 판단만으로 결정해서는 안 된다.

첨부 파일이 권하는 구조는 symbolic conflict resolver가 먼저 evidence precedence를 계산하고, LLM에는 이미 정리된 belief state만 제공하는 것이다.

이 연구와 앞서 추적한 EvoSCM을 함께 보면 연구문제가 더 선명해진다. EvoSCM이 “어떻게 causal belief를 수정할 것인가”를 다룬다면 Memory Trust Gap은 그 이전 단계인 “어떤 evidence가 revision을 일으킬 자격이 있는가”가 별도의 계산 문제임을 보여준다. 그래서 필요한 것은 단순 Belief Revision Agent가 아니라 Evidence Arbitration → Belief Revision의 2단계 구조다.

RL-Driven Autonomous Agents for Scientific Localized Evidence Navigation and Synthesis

2026년 9월 3일 공개. SciLENS는 약 1,200만 건의 학술 record를 로컬 환경에 인덱싱하고 semantic retrieval뿐 아니라 citation graph의 multi-hop traversal을 agent reasoning의 명시적 도구로 사용한다.

시스템은 citation KG에서 multi-hop subgraph를 추출해 학습 데이터를 자동 생성하고, 20개 frontier model의 cross-model consensus로 이를 검증한다. 그 뒤 reverse-decomposition rubric을 이용한 RL로 early planning과 evidence grounding을 강화한다. Citation topology를 chart로 변환해 reasoning context를 압축하는 structural visualization도 포함한다.

문서를 context chunk로 보는 대신 evidence space의 topology를 본다

기존 scientific RAG와의 차이는 검색된 문서를 단순 context chunk로 취급하지 않고, citation topology 자체를 탐색 가능한 구조적 evidence space로 사용한다는 데 있다.

첨부 파일에 따르면 SciLENS는 six scientific benchmarks에서 open-source baseline을 상회하고 GPT-5.2·Gemini-3.0-pro에 근접하는 성능을 보고한다. 그러나 현재 평가는 일반 scientific synthesis이며 신약개발 hypothesis validation이나 wet-lab 성능을 평가하지 않았다. 따라서 이 성능을 drug discovery에 직접 일반화해서는 안 된다.

Evidence를 찾는 층과 evidence를 판정하는 층을 분리한다

신약 Co-Scientist에 적용하면 PubMed, bioRxiv, ClinicalTrials, ChEMBL, Open Targets의 문헌과 데이터를 단순 RAG 대상으로 두지 않고 다음과 같은 evidence lineage를 만들 수 있다.

이전의 Epistemic Sybil Resistance와 결합하면 동일 원 논문에서 파생된 여러 agent report를 독립 evidence로 잘못 세는 문제도 줄일 수 있다.

무엇을 믿는가, 왜 믿는가, 어떻게 검증하는가

지금까지 Neuro-Symbolic Co-Scientist의 symbolic layer가 주로 KG·ontology·logic으로 이해됐다면, 최신 연구는 이를 epistemic·causal·physical state의 공동 관리 문제로 확장한다.

모든 belief revision과 모든 falsification experiment를 검증 가능하게 만들 수 있는가

이 질문이 강한 이유는 단일 기법의 성능 향상보다 과학적 폐루프의 형식적 정합성을 묻기 때문이다. 어떤 주장이 왜 belief state에 들어왔는지 추적할 수 있어야 하고, 어떤 evidence가 belief revision을 촉발할 자격이 있는지 판정해야 하며, 그 belief를 반증하기 위한 experiment가 실제 laboratory state에서 실행 가능한지도 사전에 증명해야 한다.

현재 비어 있는 것은 symbolic scientific knowledge와 wet-lab execution 사이의 formal bridge다

이번에 확인된 computable laboratory representation은 이 사이에 formal execution semantics를 넣을 수 있는 실마리를 제공한다. 첨부 파일의 결론대로, HRKG, Neuro-Symbolic reasoning, causal inference, falsification, belief revision, robotic experiment automation을 하나의 계산 가능한 폐루프로 연결하는 연구에는 여전히 큰 공백이 있다.