LG AI Research가 최근 NeurIPS 2025에서 방대한 데이터 속의 인과 관계를 규명하는 혁신적 프레임워크 'SciNO(Score-informed Neural Operator)'를 공개했다. 기존 AI가 주로 변수 간의 단순한 상관관계를 찾는 데 집중했다면, 인과 발견은 어떤 변수가 실제로 다른 변수를 유발하는지를 판단하는 것이 핵심이다. 문제는 데이터의 변수가 늘어날수록 계산량이 기하급수적으로 증가한다는 점이다. 이는 기존 모델의 연산 병목 현상을 초래해 시스템을 마비시키기 일쑤였다. SciNO는 이 난제를 해결하기 위해 데이터를 단순한 벡터가 아닌 연속 함수로 취급하는 방식을 택했다. 구체적으로는 푸리에 신경 연산자를 활용해 데이터 밀도의 기울기인 '스코어 함수'를 주파수 영역에서 분석한다. 마치 라디오가 특정 신호를 정확히 포착하는 원리와 유사하다. 이러한 수학적 전환 덕분에 SciNO는 기존 MLP 기반 방식보다 훨씬 높은 안정성을 보장한다. 특히 100개 이상의 노드가 얽힌 고차원 환경에서도 인과 관계의 순서를 정밀하게 추정해낸다. 더욱 흥미로운 점은 가공되지 않은 데이터와 인간의 추론 능력을 결합했다는 사실이다. 연구진은 대규모 언어 모델(LLM)의 상식적 판단을 '의미론적 사전 지식'으로 활용하는 베이지안 방식을 도입했다. LLM이 개연성 있는 원인을 제안하면, SciNO가 이를 실제 데이터 증거와 대조하며 검증하는 구조다. 이러한 시너지는 복잡한 그래프 환경에서 성능을 75%나 향상시키는 결과로 이어졌다. 단순히 다음 단어를 예측하는 수준을 넘어, 세상의 기저에 깔린 논리적 흐름을 이해하는 인공지능으로 가는 확장성 있는 경로를 제시했다는 평가다.

LG AI Research가 최근 NeurIPS 2025에서 방대한 데이터 속의 인과 관계를 규명하는 혁신적 프레임워크 'SciNO(Score-informed Neural Operator)'를 공개했다. 기존 AI가 주로 변수 간의 단순한 상관관계를 찾는 데 집중했다면, 인과 발견은 어떤 변수가 실제로 다른 변수를 유발하는지를 판단하는 것이 핵심이다. 문제는 데이터의 변수가 늘어날수록 계산량이 기하급수적으로 증가한다는 점이다. 이는 기존 모델의 연산 병목 현상을 초래해 시스템을 마비시키기 일쑤였다. SciNO는 이 난제를 해결하기 위해 데이터를 단순한 벡터가 아닌 연속 함수로 취급하는 방식을 택했다. 구체적으로는 푸리에 신경 연산자를 활용해 데이터 밀도의 기울기인 '스코어 함수'를 주파수 영역에서 분석한다. 마치 라디오가 특정 신호를 정확히 포착하는 원리와 유사하다. 이러한 수학적 전환 덕분에 SciNO는 기존 MLP 기반 방식보다 훨씬 높은 안정성을 보장한다. 특히 100개 이상의 노드가 얽힌 고차원 환경에서도 인과 관계의 순서를 정밀하게 추정해낸다. 더욱 흥미로운 점은 가공되지 않은 데이터와 인간의 추론 능력을 결합했다는 사실이다. 연구진은 대규모 언어 모델(LLM)의 상식적 판단을 '의미론적 사전 지식'으로 활용하는 베이지안 방식을 도입했다. LLM이 개연성 있는 원인을 제안하면, SciNO가 이를 실제 데이터 증거와 대조하며 검증하는 구조다. 이러한 시너지는 복잡한 그래프 환경에서 성능을 75%나 향상시키는 결과로 이어졌다. 단순히 다음 단어를 예측하는 수준을 넘어, 세상의 기저에 깔린 논리적 흐름을 이해하는 인공지능으로 가는 확장성 있는 경로를 제시했다는 평가다.