실험 수십 건으로
무엇이 중요한지, 다음에 뭘 할지
정직하게 계산합니다.

신소재나 공정을 개발할 때 바꿀 수 있는 조건(변수)은 많은데, 실험 한 번은 비싸고 오래 걸립니다. 그래서 "다음에 무엇을 시험해야 가장 빨리 답에 가까워지나"가 늘 어려운 문제입니다.

이 도구는 지금까지 한 수십 건의 실험 데이터만으로 세 가지를 계산해 줍니다 — ① 무엇이 결과를 좌우했는지, ② 다음에 무엇을 시험하면 좋은지, ③ 그 판단을 얼마나 믿어도 되는지. 데이터가 부족하면 부족하다고 정직하게 표시하고 과장하지 않습니다.

① TabPFN — 작은 실험표를 보고 결과를 예측하는 AI 모델

보통의 AI(머신러닝)는 데이터가 수백~수천 건 있어야 학습됩니다. TabPFN은 수십 건짜리 작은 표에서도 잘 맞히도록 미리 학습돼 있어, 여러분 데이터로 따로 학습시킬 필요 없이 붙여넣으면 즉시 예측합니다. 여기선 "이 조건이면 결과가 얼마일지"와 "그 예측이 얼마나 불확실한지"를 계산합니다.

어디에 쓰이나 — 2025년 국제 학술지 Nature에 실린 소량 데이터 예측의 최신 표준 모델로, 바이오·신약·소재처럼 데이터가 적은 분야에서 쓰이기 시작했습니다. 실험이 수십 건뿐인 우리 상황에 정확히 맞습니다.

② AI Scientist 에이전트 — 가설을 세우고 검증·반증하는 자동 연구 루프

숫자 예측만으론 부족합니다. "다음엔 뭘 측정할까 · 이 결론이 말이 되나 · 정리해서 보고" 같은 연구원의 판단을, 역할이 다른 여러 AI 도우미(에이전트)가 나눠 맡습니다. 게다가 한 번 답하고 끝나지 않습니다 — 데이터에서 가설을 스스로 세우고(예: "온도와 함량이 함께 작용한다", "고함량 구간에선 지배 변수가 바뀐다", "이 변수는 임계점이 있다"), 검증한 뒤 일부러 반증을 시도해 우연·착각을 걸러냅니다. 통과한 것만 확증, 애매하면 경계, 떨어지면 기각으로 정직하게 표시하고 새 발견이 없을 때까지 반복합니다(자율 탐사). "이 변수를 더 재면 정확도가 오른다"는 제안도 같은 방식으로 검증해 다음 실험으로 제시합니다.

어디에 쓰이나 — 이 방식은 2024년 Sakana AI의 'AI Scientist'(아이디어 제안부터 논문 작성까지 자동화)로 알려졌고, 2025년엔 이 방식이 쓴 논문이 국제 AI 학회 ICLR 워크숍의 동료심사를 통과했습니다. ※ 메인 트랙이 아닌 워크숍 수준 — 아직 발전 중인 기술임을 정직히 밝힙니다. 같은 '제안→실험→학습' 폐쇄루프 발상은 로봇 실험실로도 확장돼, 버클리·구글 딥마인드의 자율 실험실이 17일 만에 신소재 40여 종을 자율 합성했습니다(Nature, 2023).