연구자들은 LLM을 활용해 과학적 발견 과정을 자동화해 왔지만, 기존 시스템은 품질 또는 다양성 중 하나만 최적화하는 한계가 있었어요.
본 연구에서는 연구 아이디어 발굴을 품질과 다양성을 함께 고려하는 품질-다양성 탐색(QD) 문제로 정의하고, 이를 관리하는 멀티 에이전트 프레임워크 IDEAgent를 소개합니다.
IDEAgent는 품질 개선을 위해 다중 목적 피드백을 활용하고, 다양성을 확보하기 위해 순차적 메모리와 기존 아이디어 비교를 사용하며, 8개 도메인에서 최고 성능 모델보다 3.89배 높은 성능을 보였어요.
연구 결과는 논리적 엄밀성과 명확성을 유지하면서도 독창성을 보존하는 데 있어 수리 및 개선의 중요성을 보여주며, IDEAgent 코드는 GitHub에서 공개됐습니다.