SymBOL, 과학적 방정식 발견 가속화
Semantic Scholar
2026년 7월 16일 (목)
- •연구진이 베이지안 최적화를 활용하여 과학적 발견을 위한 심볼릭 회귀를 개선하는 SymBOL 프레임워크를 발표했다.
- •SymBOL은 기존 LLM 기반 방식 대비 정확도를 24.85% 향상하고 계산 비용을 28.73% 절감했다.
- •재료과학 및 역학 분야의 실제 응용 사례에서 지배 방정식(governing equations)을 성공적으로 복구해냈다.
자슈 쿠이(Jiaxu Cui)와 동료 연구진은 과학적 발견을 위한 심볼릭 회귀를 최적화하고자 범용 심볼릭 학습 프레임워크인 SymBOL을 선보였다. 2026년 7월 13일 'IEEE Transactions on Pattern Analysis and Machine Intelligence'에 게재된 이 연구는 기존 LLM 기반 방식들이 겪던 높은 비용 문제와 확장성 한계를 해결했다.
SymBOL은 복잡한 함수를 최적화하는 기법인 베이지안 최적화(Bayesian Optimization)를 LLM과 결합하여 고품질의 수학적 표현 생성을 유도한다. 벤치마크 테스트 결과, 이 모델은 기존 LLM 기반 모델보다 평균 정확도에서 24.85% 향상된 성능을 보였으며 계산 비용은 28.73% 줄었다. 특히 재료과학 및 역학 분야의 실무 적용에서 지배 방정식을 성공적으로 도출했으며, 과학적 분석을 위한 해석 가능한 경로를 제시한다.