AI가 스스로 추측하는 법을 배운다면? 'Learning Conjecturing from Scratch' 연구 소개

Thibault Gauthier와 Josef Urban의 'Learning Conjecturing from Scratch' 연구는 AI가 OEIS 데이터셋을 기반으로 자가 학습을 통해 귀납적 추론 문제를 해결하는 새로운 접근 방식을 제시합니다. 신경망 번역기와 z3 증명기를 활용한 자가 학습 루프를 통해 5565개의 문제를 해결, 기존 시스템의 성능을 능가하는 결과를 보였습니다.

AI가 스스로 추측하는 법을 배운다면?

최근, AI가 수학적 추론 능력을 향상시키는 놀라운 연구 결과가 발표되었습니다. Thibault Gauthier와 Josef Urban이 공동으로 진행한 'Learning Conjecturing from Scratch' 연구는 자가 학습 방식을 통해 귀납적 예측 변수를 추측하는 AI 모델을 제시합니다. 이는 기존의 SMT(Satisfiability Modulo Theories) 및 ATP(Automated Theorem Proving) 시스템으로는 해결하기 어려운 문제들을 해결하는 새로운 돌파구를 제시합니다.

OEIS 데이터셋을 활용한 도전

연구진은 온라인 백과사전인 OEIS(Online Encyclopedia of Integer Sequences)에서 추출한 16197개의 복잡한 수학 문제를 데이터셋으로 활용했습니다. 이 문제들은 귀납적 추론과 산술적 추론을 동시에 필요로 하기 때문에, 기존의 AI 시스템으로는 해결하기 매우 어려운 난제로 여겨졌습니다.

자가 학습 루프: AI의 추론 능력 향상

연구의 핵심은 자가 학습 루프입니다. 이 루프는 다음과 같은 단계를 반복합니다.

1. 신경망 번역기 학습: 기존에 해결된 문제와 그 문제 해결에 유용했던 귀납적 예측 변수 간의 상관관계를 신경망 번역기를 통해 학습합니다. 이는 AI가 문제의 패턴을 이해하고, 효과적인 추측 전략을 학습하는 과정입니다.
2. 새로운 예측 변수 생성: 학습된 신경망 시스템을 이용하여 새로운 귀납적 예측 변수들을 대량으로 생성합니다. 이 단계에서는 AI가 스스로 새로운 가설을 세우는 셈입니다.
3. z3 증명기를 이용한 검증: 생성된 예측 변수들을 이용하여 z3 증명기를 통해 문제를 증명하려고 시도합니다. 이는 AI가 세운 가설을 검증하는 과정입니다.
4. 최적 예측 변수 선택: 예측 변수의 크기, 문제 해결 속도 등의 휴리스틱을 사용하여 다음 학습 반복에 사용할 최적의 예측 변수들을 선택합니다. 이를 통해 AI는 더욱 효율적인 추론 전략을 학습할 수 있습니다.

놀라운 결과: 5565개 문제 해결 성공

이러한 자가 학습 루프를 통해 AI는 자체적으로 다양한 귀납적 예측 변수들을 발견하여 총 5565개의 문제를 해결하는 놀라운 성과를 달성했습니다. 반면, CVC5, Vampire, Z3와 같은 기존의 강력한 시스템들은 60초 내에 2265개의 문제만 해결할 수 있었습니다. 이는 AI가 기존 시스템을 능가하는 추론 능력을 갖추었음을 보여주는 결과입니다.

미래 전망: 새로운 가능성의 시작

이 연구는 AI의 수학적 추론 능력 향상에 있어서 새로운 가능성을 제시합니다. AI가 스스로 추측하고, 학습하는 능력을 향상시킴으로써, 더욱 복잡하고 어려운 수학적 문제들을 해결하는 데 기여할 수 있을 것으로 기대됩니다. 이는 수학, 과학, 공학 등 다양한 분야에 혁신적인 발전을 가져올 수 있는 중요한 성과입니다. 하지만, 더욱 정교한 추론 능력과 일반화 능력 향상을 위한 추가 연구가 필요할 것으로 보입니다.