베이즈 모델 교정은 과학 및 공학 분야에서 널리 사용되지만, 모델 매개변수에 대한 '사전 분포(prior distribution)'를 설정하는 과정은 항상 난제로 꼽혔습니다. 수십 년간 방법론 연구가 진행되었음에도 불구하고, 대부분의 연구자들은 여전히 정보가 부족한 균등 분포(uniform prior)에 의존하는 경향이 있습니다. 이는 과학 문헌에서 유용한 정보를 추출하고 통계적 전문성을 결합하여 정보성 사전 분포를 구축하는 것이 매우 느리고 복잡하기 때문입니다.
이러한 문제를 해결하기 위해 '디스트리버드(Distribird)'라는 에이전트 기반 웹 애플리케이션이 개발되었습니다. 디스트리버드는 매개변수 이름, 물리적 설명, 도메인 맥락을 입력받으면 다중 에이전트 파이프라인을 가동합니다. 이 파이프라인은 과학 문헌을 검색하고, 보고된 값들을 도메인 관련성에 따라 추출 및 가중치를 부여한 다음, AIC 모델 선택을 통해 최적의 확률 분포를 찾아냅니다. 만약 관련 문헌이 없을 경우, 시스템은 합리적인 비정보성 대안을 제시하며, 각 사전 분포의 근거와 신뢰 수준을 명확히 보고하여 연구자가 판단할 수 있도록 돕습니다. 이 시스템은 특히 물리적으로 해석 가능한 매개변수를 가진 모델과 관련 도메인 지식이 문헌에 풍부한 문제에 최적화되어 있습니다.
연구팀은 10개 과학 도메인의 24개 매개변수에 대해 디스트리버드를 평가했습니다. 그 결과, Qwen3.6 27B, Gemma 4 31B, Mistral Small 4 119B와 같은 오픈 가중치 모델을 사용한 디스트리버드의 전체 파이프라인이 단일 프롬프트 LLM(대규모 언어 모델) 기준선과 유사한 수준의 사전 분포 품질을 달성했습니다. 특히 주목할 점은 디스트리버드가 모든 사전 분포의 출처를 특정 논문과 값으로 추적할 수 있으며, 범위를 벗어난 요청에 대해서는 사전 분포 생성을 거부하여 잘못된 정보를 방지한다는 것입니다. 반면, 단일 프롬프트 LLM은 30개 모델-매개변수 사례 중 11개에서 근거 없는 사전 분포를 자신 있게 반환하는 문제가 있었습니다. 또한, 모든 언어 모델 호출이 로컬에서 실행되어 매개변수 설명이나 미공개 모델링 세부 정보가 외부 LLM 제공업체로 전송되지 않아 데이터 보안 측면에서도 강점을 가집니다. 이러한 특성들은 단순한 정확도 향상보다 과학적 활용에 있어 더욱 중요한 가치를 지닙니다. 디스트리버드는 베이즈 모델링의 접근성을 높이고, 연구자들이 보다 견고하고 신뢰할 수 있는 과학적 결론을 도출하는 데 크게 기여할 것으로 예상됩니다.