조합적 혁신 및 다중 에이전트 반복 탐색 전략을 통한 연구 아이디어 창출 능력 향상

Enhancing Research Idea Generation through Combinatorial Innovation and Multi-Agent Iterative Search Strategies

과학 발전은 지속적인 혁신적인 연구 아이디어 창출에 달려 있습니다. 그러나 과학 문헌의 급격한 증가는 지식 필터링 비용을 크게 증가시켜 연구자들이 새로운 방향을 파악하는 것을 어렵게 만듭니다. 기존의 대규모 언어 모델(LLM) 기반 방법은 연구 아이디어 창출에 유망한 결과를 보여주지만, 생성되는 아이디어는 종종 반복적이며 깊이가 부족합니다. 이러한 문제를 해결하기 위해, 본 연구는 조합적 혁신 이론에서 영감을 받은 다중 에이전트 반복 계획 탐색 전략을 제안합니다. 제안된 프레임워크는 반복적인 지식 탐색과 LLM 기반 다중 에이전트 시스템을 결합하여 반복적인 상호 작용을 통해 연구 아이디어를 생성, 평가 및 개선하여 아이디어의 다양성과 독창성을 향상시키는 것을 목표로 합니다. 자연어 처리 분야에서의 실험 결과, 제안된 방법은 다양성과 독창성 측면에서 최첨단 방법보다 우수한 성능을 보였습니다. 최고 수준의 머신러닝 학회 논문에서 파생된 아이디어와 비교한 결과, 생성된 아이디어의 품질은 합격된 논문과 거절된 논문 사이에 있는 것으로 나타났습니다. 이러한 결과는 제안된 프레임워크가 고품질 연구 아이디어 창출을 지원하는 유망한 접근 방식임을 시사합니다. 본 논문에서 사용된 소스 코드와 데이터 세트는 Github 저장소(https://github.com/ChenShuai00/MAGenIdeas)에서 공개적으로 이용 가능하며, 데모는 다음 주소(https://huggingface.co/spaces/cshuai20/MAGenIdeas)에서 확인할 수 있습니다.

Scientific progress depends on the continual generation of innovative re-search ideas. However, the rapid growth of scientific literature has greatly increased the cost of knowledge filtering, making it harder for researchers to identify novel directions. Although existing large language model (LLM)-based methods show promise in research idea generation, the ideas they produce are often repetitive and lack depth. To address this issue, this study proposes a multi-agent iterative planning search strategy inspired by com-binatorial innovation theory. The framework combines iterative knowledge search with an LLM-based multi-agent system to generate, evaluate, and re-fine research ideas through repeated interaction, with the goal of improving idea diversity and novelty. Experiments in the natural language processing domain show that the proposed method outperforms state-of-the-art base-lines in both diversity and novelty. Further comparison with ideas derived from top-tier machine learning conference papers indicates that the quality of the generated ideas falls between that of accepted and rejected papers. These results suggest that the proposed framework is a promising approach for supporting high-quality research idea generation. The source code and dataset used in this paper are publicly available on Github repository: https://github.com/ChenShuai00/MAGenIdeas. The demo is available at https://huggingface.co/spaces/cshuai20/MAGenIdeas.