LLM 기반 에이전트의 발전은 자율 과학 연구를 가능하게 하여 AI for Science(AI4S)를 재정의하고 있습니다. 저명한 LLM은 여러 분야에서 전문성을 보여주며 도메인 특화 과학 에이전트의 구성을 촉진하고 있습니다. 그럼에도 불구하고 AI와 자연과학 사이의 심각한 인식론적 및 방법론적 간극은 이러한 에이전트의 체계적인 설계, 훈련 및 검증을 방해합니다. 이 조사는 체계적인 구성 방법론, 목표 능력 향상 및 엄밀한 평가를 아우르는 과학 에이전트에 대한 포괄적인 설계를 제시하여 기존의 간극을 연결합니다. 이 논문은 전통적인 과학 작업 흐름에 기초하여 (i) 일반 목적 에이전트에서 목표 지향적으로 구동되는 과학 에이전트로의 개발을 시작으로 과학 에이전트 개요를 명확히 하고, 이어서 구성 전략 및 능력 범주에 따라 기존 에이전트를 정리하는 포괄적인 분류법을 발전시키며, (ii) 자율 과학 연구를 실현하기 위한 처음부터 과학 에이전트를 구성하는 것부터 목표 능력 향상에 이르는 이중 단계의 발전 프레임워크를 소개합니다. 이 조사가 다양한 분야의 연구자들에게 안내서 역할을 하여 도메인 특화 과학 에이전트를 체계적으로 설계하고 AI 기반 과학 연구에서의 추가 혁신을 촉진할 수 있기를 바랍니다. 장기적인 발전을 지원하기 위해, 우리는 신생 방법, 기준 및 모범 사례를 지속적으로 집계하는 실시간 저장소(AWESOMESCIENTIFICAGENT)를 큐레이팅합니다.
Wang et al. (Thu,)은 이 질문을 연구했습니다.