자기 주도적 아이디어 발상: 과학적 아이디어 생성 에이전트를 위한 효율적인 샘플 기반의 자기 주도 경로 생성

Agentic-Ideation: Sample Efficient Agentic Trajectories Synthesis for Scientific Ideation Agents

아이디어 발상은 과학적 발견에서 중요한 역할을 합니다. 최근 LLM, 특히 AI Scientist 시스템은 자동화된 아이디어 발상을 위한 유망한 잠재력을 보여주고 있습니다. 그러나 기존 접근 방식은 주로 미리 정의된 에이전트 워크플로우에 의존합니다. 이러한 제약은 방대한 과학 문헌 검색 공간과 복잡한 연구 추론 작업 공간을 탐색하는 데 필요한 유연성을 심각하게 제한합니다. 최근에는 자기 주도형 LLM 학습이 유망한 방향으로 부상했으며, 이는 유연한 추론 프레임워크와 자율적인 도구 활용 능력을 제공합니다. 그러나 여전히 해결해야 할 중요한 과제가 남아 있습니다. 즉, 기존의 자기 주도 데이터 합성 방법을 과학적 아이디어 발상에 적용하는 데에는 엄청난 데이터 합성 비용이 발생합니다. 이러한 격차를 해소하기 위해, 우리는 자동화된 경로 생성 파이프라인과 과학적 아이디어 발상을 위한 특수하게 훈련된 자기 주도형 LLM으로 구성된 새로운 프레임워크인 Agentic-Ideation을 제안합니다. 구체적으로, 우리는 먼저 세 개의 외부 도구와 세 개의 인지 도구를 포함하는 포괄적인 도구 공간을 정의합니다. 그런 다음 Oracle-Guided Data Synthesis 전략을 도입합니다. 이 접근 방식은 참조 아이디어를 오라클 지침으로 활용하여 멀티 에이전트 시스템이 논리적 추론 및 도구 호출 경로를 효율적으로 재구성하도록 유도하여 무분별한 시행착오를 지향적인 경로 생성으로 전환합니다. 마지막으로, 우리는 합성된 경로를 사용하여 에이전트를 학습시키고, 도구 실행 결과에 대한 마스킹 전략을 적용하여 모델이 외부 피드백의 간섭 없이 의사 결정 로직에 집중하도록 합니다. 실험 결과는 제안하는 방법이 기존 워크플로우 기반의 최첨단(SOTA) 방식보다 전체 품질에서 extbf{11.91%} 더 우수하다는 것을 보여줍니다. 또한, 우리의 접근 방식은 고품질 데이터 합성의 샘플 효율성을 extbf{10배 이상} 향상시킵니다.

Ideation plays a pivotal role in scientific discovery. Recent LLM, especially AI Scientist systems, show promising potential for automated ideation. However, existing approaches predominantly rely on pre-defined agentic workflows. This constraint severely limits the flexibility required to navigate the vast search space of scientific literature and the complex action space of research reasoning. Recently, training Agentic LLMs has emerged as a promising direction, offering flexible reasoning frameworks and the capability for autonomous tool utilization. However, there remains a non-trivial challenge: applying previous agentic data synthesis methods to scientific ideation suffers from prohibitively high data synthesis cost. To bridge this gap, we propose Agentic-Ideation, a novel framework comprising an automated trajectory synthesis pipeline and a specialized agentic LLM trained for scientific ideation. Specifically, we first define a comprehensive tool space incorporating three external tools and three cognitive tools. Then we introduce an Oracle-Guided Data Synthesis strategy. By leveraging a reference idea as oracle guidance, this approach steers the multi-agent system to efficiently reconstruct the logical reasoning and tool invocation paths, transforming aimless trial-and-error into directed trajectory generation. Finally, we train the agent on these synthesized trajectories, employing a masking strategy on tool execution results. This ensures the model focuses on decision-making logic without interference from external feedback. Experimental results demonstrate that our method outperforms the SOTA workflow-based baseline by \textbf{11.91\%} in overall quality. Furthermore, our approach improves the sample efficiency of high-quality data synthesis by \textbf{over 10$\times$}.