AI는 실험 데이터를 설명하는 방정식을 사람보다 빠르게 찾아낼 수 있다. 하지만 데이터에 잘 맞는 모델 하나를 얻는 것만으로는 과학적 이해에 이르지 못한다. 중요한 것은 어떤 모델이 가능하고, 데이터가 그중 무엇을 뒷받침하며, 다른 설명은 왜 맞지 않는지 살피는 과정이다. Anthropic은 과학 모델링을 구축·제약·해석의 세 단계로 나누고, AI가 각 단계에서 어떤 역할을 할 수 있는지 설명한다.
세 단계로 보는 모델링
1951년 생리학자 앤드루 헉슬리와 앨런 호지킨은 오징어 신경세포의 전기 신호를 설명하는 방정식을 만들었다. 케임브리지 대학 컴퓨터가 고장 나자 헉슬리는 기계식 계산기를 손으로 돌려 방정식을 푸는 데 3주 넘게 걸렸다. 모델의 기본 구조는 세포막을 전기 회로로 보는 생물학적 지식에서 나왔지만, 변수 하나를 네제곱해야 측정 결과와 잘 맞는다는 점은 처음에는 경험적으로 발견했다. 두 사람은 막의 통로가 열리려면 여러 전하 입자가 움직여야 할 수 있다고 조심스럽게 추측했고, 이후 관련 칼륨 통로 단백질에서 중앙 구멍 주위에 동일한 부분 네 개가 배열된 구조가 발견됐다.
이 사례는 과학 모델링의 세 단계를 보여준다. 먼저 무엇을 구성 요소로 삼고 방정식을 어떤 형태로 만들지 정해 모델을 구축한다. 다음으로 조정 가능한 매개변수를 실제 측정값에 맞춰 모델을 제약한다. 마지막으로 모델이 실제 시스템에 관해 무엇을 말하는지 해석한다. 결과가 측정값에 맞지 않거나 해석이 타당하지 않으면 이전 단계로 돌아가 수정하는 과정이 반복된다.
하나의 정답 대신 가능한 매개변수 범위
모델의 매개변수를 하나만 맞춰 보면 그 값이 유일한 설명인지 알 수 없다. 저녁 식사 비용이 120달러라는 정보만으로는 각 사람이 무엇을 주문했는지 알아낼 수 없는 것처럼, 신경세포 모델도 서로 다른 매개변수 조합으로 거의 같은 전기 활동을 설명할 수 있다. 그중 하나만 제시하면 다른 가능한 조합이나 그 조합이 내놓을 수 있는 예측을 놓치게 된다.
베이지안 추론은 데이터와 매개변수에 대한 사전 지식을 고려해, 그럴듯한 값들의 확률 분포를 구한다. 그러나 복잡한 모델에서는 모든 매개변수 조합에서 측정값이 얼마나 나올 법한지 계산하기 어려워진다. 시뮬레이션 기반 추론(SBI)은 무작위 매개변수를 넣어 모델을 반복 실행하고 결과를 기록한 뒤, 신경망을 학습시켜 관측 결과를 낳을 수 있는 매개변수 범위를 추정한다. 호지킨–헉슬리 모델에는 약 100,000회 시뮬레이션이 필요할 수 있고, 더 복잡한 모델에는 수백만 회가 들 수 있다. 학습이 끝나면 새 데이터에 대한 추론은 수초 안에 가능하며, 중성자별 충돌의 하늘 위치를 추정해 신호가 감지되는 동안 망원경을 향하게 하는 데도 활용됐다.
모델 자체도 여러 후보를 비교해야
매개변수를 맞추기 전에 어떤 모델을 맞출지 정해야 한다. 전통적으로 과학자는 전문 지식에 따라 후보 방정식을 만들고 데이터를 비교하며 수정해 왔다. 하지만 가능한 모델의 공간은 사실상 무한해, 경험으로 몇 가지를 고르는 방식은 데이터와 맞는 다른 설명을 놓칠 수 있다. 최근에는 대규모 언어 모델 기반 에이전트가 데이터를 바탕으로 후보 모델을 작성하고, 매개변수를 맞춘 뒤 결과를 비교해 방정식 형태를 수정하는 작업을 돕는다.
그렇더라도 데이터를 재현하는 모델 하나가 곧 통찰을 주는 것은 아니다. 같은 데이터를 똑같이 잘 설명하는 모델이 여럿일 수 있고, 에이전트는 같은 자료로 실행해도 서로 다른 모델을 내놓을 수 있다. 따라서 한 가지 최적 모델만 고르기보다 후보 전체를 비교하고, 데이터의 지지를 받는 정도에 따라 평가하는 편이 유용하다. 살아남은 모델들이 공통으로 가진 특징은 데이터가 뒷받침할 가능성이 있고, 후보들이 서로 다르면 근거가 부족한 지점을 보여줘 다음 실험의 방향을 제안할 수 있다. 다만 현재 시스템은 주로 이미 알려진 모델을 다시 찾아내는 데 시험됐으며, 답이 알려지지 않은 문제에서도 잘 작동한다는 증거는 아직 드물다.
해석은 대안이 실패한 이유에서 나온다
호지킨과 헉슬리가 네제곱 항을 통로의 네 부분과 연결한 해석은 더 단순한 모델이 잘 맞지 않는다는 사실에 기대고 있었다. 그들은 세제곱이나 네제곱이 필요하다고 보았고, 더 높은 거듭제곱이 조금 더 잘 맞더라도 복잡성을 더할 만큼 개선되지는 않는다고 판단했다. 모델은 신경세포가 특정 전압 문턱을 넘을 때 발화하는 이유와 신경 신호의 모양이 일정한 이유도 설명했으며, 전류가 충분히 천천히 증가하면 세포가 발화하지 않을 것이라고 예측했다.
해석 단계는 세 단계 중 AI에 맡기기 가장 어렵다. 데이터 적합도는 측정할 수 있어도 모델이 이해를 얼마나 넓혔는지는 분명한 기준을 세우기 어렵기 때문이다. 한 가지 제안은 시스템에 변화를 가했을 때 모델이 결과를 얼마나 잘 예측하는지 살펴보는 것이다. 다른 방법은 AI의 결과가 인간 과학자의 이해를 돕는지 평가하는 것이다. 양자 실험 설계 사례에서는 하나의 실험 설정 대신 여러 관련 실험을 생성하는 짧은 프로그램을 제안해, 물리학자가 공통된 설계 원리를 읽어낼 수 있게 했다.
큰 모델과 다음 실험의 역할
과거의 유명한 모델은 사람이 직접 쓰고 이해할 수 있도록 작고 단순한 경우가 많았다. AI가 더 많은 구축과 계산을 맡으면, 사람 손으로 다루기 어려운 복잡한 시스템도 모델링할 수 있다. 예컨대 초파리 뇌에는 100,000개가 넘는 신경세포가 있고, 사람 뇌에는 수백억 개가 있다. 초파리 뇌의 전체 연결도를 바탕으로 시각계 신경 활동을 예측하는 대규모 모델도 만들어지고 있어, 연결 구조만으로 행동을 얼마나 예측할 수 있는지 같은 질문을 다룰 수 있게 됐다.
이 규모에서는 유일하게 옳은 모델을 찾기보다, 데이터와 양립하는 모델들이 어떤 성질을 공유하고 어떤 예측을 함께 내놓는지가 중요하다. 기후 과학자들은 가정이 조금씩 다른 거대한 시뮬레이션 여러 개의 결과 범위를 보고하고, 입자물리학자들도 데이터로 배제되는 이론의 범위와 여전히 가능한 범위를 살핀다. 가능한 모델들이 같은 결과를 내놓는다면 그 예측은 더 신뢰할 수 있고, 의견이 갈리면 추가 실험으로 구분할 수 있다. 여러 모델 중 가장 많은 후보를 걸러낼 실험이 특히 유용할 수 있다.
정리
AI는 모델 구축과 매개변수 추정에 드는 시간을 줄이고, 과학자가 다룰 수 있는 시스템의 규모를 넓힐 수 있다. 하지만 모델 하나를 빠르게 얻는 것만으로는 데이터가 무엇을 뒷받침하고 어떤 대안이 남았는지 알 수 없다. 신뢰할 만한 이해를 위해서는 가능한 모델의 분포와 실패한 설명, 불확실한 부분, 다음에 검증할 질문까지 함께 살펴야 한다. 과학적 모델은 답을 제시하지만, 그 답을 만들어 가는 과정이 통찰을 만든다.