최근 발표된 연구에 따르면, 인공지능(AI)이 복잡한 물리 시스템의 동역학을 예측하는 데 있어 중요한 진전을 이루었습니다. 이 연구는 '검증자 유도 모델 발견(Verifier-Guided Model Discovery)'이라는 새로운 접근 방식을 통해, 사전 학습된 심볼릭 트랜스포머(symbolic transformer) 모델이 고차원 물리 데이터로부터 해석 가능한 방정식을 도출할 수 있음을 보여주었습니다. 이는 기존 고비용 시뮬레이션이나 불투명한 머신러닝 모델의 한계를 극복하고, 과학적 발견과 공학적 의사결정에 있어 더욱 신뢰할 수 있는 예측 도구를 제공할 잠재력을 가지고 있습니다.
연구팀은 ODEFormer라는 심볼릭 백본(symbolic backbone) 모델을 중심으로 검증자 유도(VG) 워크플로우를 개발했습니다. 이 워크플로우는 동역학적 및 물리적 타당성 기준을 사용하여 여러 후보 방정식 풀(pool)에서 최적의 방정식을 선택합니다. 이를 통해 모델은 시스템별 방정식 지식 없이도 전이 학습(transfer learning)을 수행할 수 있습니다. 특히, 반 데르 폴(Van der Pol) 진동자 같은 고전적인 시스템에서 VG는 기존 ODEFormer보다 뛰어난 성능을 보였으며, 대기 및 플라즈마 시스템에서 발생하는 와류 현상(vortex shedding)과 같은 복잡한 현상에서도 핵심적인 동역학 방정식을 성공적으로 발견했습니다. 이는 나비에-스토크스(Navier-Stokes) 방정식과 같은 특정 구조를 미리 가정하지 않고도 가능한 결과였습니다.
이 기술의 중요성은 단순히 예측 정확도를 넘어, AI 모델의 '해석 가능성(interpretability)'과 '물리적 감사 가능성(physically auditability)'을 높인다는 점에 있습니다. 기존 머신러닝 대리 모델(surrogate model)은 종종 블랙박스처럼 작동하여 내부 작동 방식을 이해하기 어려웠고, 이는 일반화 가능성(generalizability)을 제한하는 요인이었습니다. 하지만 이 연구는 AI가 도출한 방정식이 물리적으로 타당한지 검증하는 과정을 통해, 과학자들이 모델의 예측을 더 신뢰하고 실제 현상에 적용할 수 있도록 돕습니다. 이는 자연 과학 분야에서 예측 모델의 신뢰도를 한 단계 끌어올리며, 새로운 과학적 통찰을 얻는 데 기여할 것으로 기대됩니다.