본 논문은 광대한 설계 공간에서 효율적인 실험 최적화를 수행하기 위해, 대규모 언어 모델(LLM)을 활용한 새로운 접근 방식을 제시한다. 기존 방식의 한계점인 도메인 지식 의존성 및 특징 엔지니어링 문제를 LLM의 방대한 과학 지식을 통해 해결하고자 한다. 특히, LLM의 과도한 확신 문제를 해결하기 위해, 전통적인 최적화 방법의 불확실성 인식 목표를 통해 LLM을 훈련시키는 방법을 제안한다. 이를 통해 LLM을 자연어로 안내되는 신뢰할 수 있는 옵티마이저로 변환한다. Buchwald-Hartwig 반응을 포함한 다양한 실험에서 기존 방식 대비 높은 성능 향상을 보였으며, AI 기반 실험의 잠재력을 실현하기 위해 불확실성 정량화를 통한 신뢰성 확보가 중요함을 강조한다.
