본 논문은 과학적 가설의 자동 생성을 위한 다중 에이전트 협업 프레임워크인 HypoAgents를 제안한다. HypoAgents는 베이지안 추론과 정보 엔트로피 기반 탐색 메커니즘을 통합하여 가설 생성, 증거 검증, 가설 개선의 세 단계를 반복하는 폐쇄 루프 시스템을 구축한다. 이는 과학자들의 인지 과정을 모방하여 참신성, 실행 가능성, 연구 가치를 고려한 가설을 생성하고, 외부 문헌 증거를 수집하여 베이즈 정리로 가설의 사후 확률을 업데이트하며, 정보 엔트로피를 사용하여 불확실성이 높은 가설을 식별하고 개선하는 과정을 거친다. ICLR 2025 연구 질문 데이터셋을 이용한 실험 결과, HypoAgents는 가설의 ELO 점수를 116.3 향상시켜 실제 논문 초록의 벤치마크를 17.8 상회했으며, 섀넌 엔트로피로 측정한 전반적인 불확실성을 0.92 감소시켰다. 이를 통해 본 연구는 자동화된 과학적 발견을 위한 해석 가능한 확률적 추론 프레임워크를 제시하고, 기계 생성 연구 가설의 질과 신뢰성을 크게 향상시켰음을 보여준다.
