고차원 물리 시스템에서 자율적인 과학적 발견을 위한 소크라테스형 에이전트

Socratic agents for autonomous scientific discovery in high-dimensional physical systems

과학적 발견의 자동화는 중요한 전환점에 도달했습니다. 인공지능 시스템이 현재 장비를 작동하고, 파라미터를 최적화하며, 가설을 생성하는 등 많은 발전을 이루었지만, 대부분은 인간 설계자가 정의한 워크플로우를 실행하는 절차적인 방식으로 운영됩니다. 진정한 자율적인 과학은 인식론적 자율성을 요구합니다. 즉, 증거에 따라 물리적 설명을 구성하고, 비판하며, 수정할 수 있는 능력을 의미합니다. 본 연구에서는 소크라테스식 방법론을 활용한 다중 에이전트 인공지능 과학자 시스템인 AHOIS를 소개합니다. AHOIS는 폐쇄 루프 실험 환경에서 작동하며, 물리 법칙 비판 에이전트는 원인-결과 질문, 제약 조건 검사, 반례 생성 및 오류 검증 기준 수립을 통해 가설을 심층적으로 분석합니다. 우리는 실제 멀티모드 광섬유 플랫폼이라는 고차원 시스템에서 AHOIS를 평가했습니다. 이 시스템은 사전 코딩된 방식이나 분류기, 스페클 모델 없이도 자체적으로 랜덤 간섭 인코딩 가설을 제안하고 검증하며, 작업에 적합한 희소 측정 전략을 발견하고, 뚜렷한 오류 모드(인코딩 불안정성, 형광 오염 및 검출기 노이즈)를 진단하고, 기존의 이미징 프로토콜을 수정하여 새로운 구성에서 실행 가능한 워크플로우로 변환했습니다. AHOIS가 발견한 인코딩 방식을 사용하여 16x16 크기의 측정 데이터를 얻었으며, 유효 순위는 56.9이고, MNIST 데이터셋에 대한 분류 정확도는 76.97%, Fashion-MNIST 데이터셋에 대한 분류 정확도는 83.17%를 달성했습니다. 추가 분석 결과, 소크라테스식 질문을 통해 물리적 일관성, 가설의 완전성, 불확실성 교정 및 실험 계획의 유효성을 향상시킬 수 있음을 확인했습니다. 이러한 결과는 워크플로우 자동화에서 벗어나 복잡한 물리 환경에서 증거 기반으로 자율적인 발견을 이루는 방법을 제시합니다.

The automation of scientific discovery has reached an inflection point. While AI systems now operate instruments, optimize parameters and generate hypotheses, most remain procedural: they execute workflows fixed by human designers. True autonomous science demands epistemic autonomy--the capacity to construct, challenge and revise physical explanations in response to evidence. Here we introduce AHOIS, a multi-agent AI scientist that embeds Socratic midwifery into closed-loop experimentation. A physics-critic agent interrogates hypotheses through causal questioning, constraint checking, counterexample generation and falsification-criteria formulation. We evaluate AHOIS on a real multimode-fibre optical platform, a high-dimensional system with complex wave transformations, indirect detection, environmental drift and multi-modal acquisition. Without prior encoding schemes, classifiers or speckle models, the system autonomously proposed and validated a random-interference encoding hypothesis, discovered task-adaptive sparse-measurement strategies, diagnosed distinct failure modes (encoding instability, fluorescence contamination and detector noise) and translated a published imaging protocol into an executable workflow on a non-original configuration. The discovered encoding yielded 16x16 measurements with effective rank 56.9 and classification accuracies of 76.97% on MNIST and 83.17% on Fashion-MNIST. Ablations show that Socratic interrogation improves physical consistency, hypothesis completeness, uncertainty calibration and experimental-plan validity. These results establish a route from workflow automation towards evidence-grounded, self-correcting autonomous discovery in complex physical environments.