HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Scientific Hypotheses
유전 알고리즘을 활용해 다중 에이전트 LLM 간의 협업을 구조화하여 과학적 가설 발견 성능을 극대화한 프레임워크
논문이 다루는 내용
과학적 가설 발견을 위해 에이전트 간의 협업 방식이 가설의 품질에 미치는 영향은 여전히 미지의 영역입니다. 기존 시스템은 에이전트의 역량과 협업 효과를 분리하여 검증하기 어려웠습니다. 본 논문은 유전 알고리즘을 도입하여 가설 집단을 세대별로 업데이트하는 HypoEvolve 프레임워크를 제안합니다. 이 방식은 전문화된 LLM 에이전트들이 가설을 수정, 결합, 유지하는 과정을 명시적으로 제어하여 협업 효과를 테스트 가능하게 만듭니다. 약물 재창출(Drug repurposing) 과제를 통해 검증한 결과, HypoEvolve는 기존 베이스라인 대비 높은 성능을 기록하며 가설의 질을 높였습니다.
핵심 결과
-
유전 알고리즘을 통한 명시적이고 구조화된 다중 에이전트 협업 프레임워크 제안
-
가설의 생성, 수정, 평가 과정을 세대별로 관리하여 협업 효과를 정량적으로 측정 가능하게 설계
-
약물 재창출 과제에서 외부 생물학적 근거(DepMap, Open Targets)를 활용한 높은 검증 성능 확보
실무에서 볼 만한 점
단순한 챗봇 형태를 넘어, 에이전트 간의 상호작용 규칙(협업 로직)을 알고리즘화하여 복잡한 문제 해결 능력을 높이는 설계 패턴을 제시합니다.
읽을 때 확인할 점
-
에이전트 간의 '교차(Crossover)' 및 '변이(Mutation)' 로직을 프롬프트 엔지니어링에 적용해보기
-
특정 도메인 지식을 가진 에이전트 집단을 구성하고 유전 알고리즘 루프에 태워보기
-
결과물의 품질을 평가하기 위한 외부 검증 데이터셋(Ground Truth) 설계 방법론 학습