본 논문은 대규모 언어 모델(LLM)을 활용하여 과학적 지식의 구조적 탐색을 위한 새로운 접근 방식을 제시한다. 기존의 단편적인 아이디어나 내용 중심의 과학적 발견 관점에서 벗어나, 혁신적인 통찰력을 형성하는 데 있어 방법론적 조합의 역할을 강조한다. 특히, 방법론적 설계와 관련된 지식 단위를 모델링하고 재결합하여 연구 혁신을 도출하는 방법을 연구한다. 제안된 프레임워크는 두 가지 주요 과제를 해결한다. 첫째, 문제 중심적 맥락 내에서 역사적으로 파괴적인 방법 조합의 특징을 식별하기 위해 대조 학습 기반 메커니즘을 도입한다. 둘째, LLMs의 사고 연쇄 기능을 활용하여 새로운 문제 진술에 대한 유망한 지식 재결합을 식별하는 추론 기반 몬테카를로 탐색 알고리즘을 제안한다. 다양한 분야에 걸친 실증 연구를 통해 이 프레임워크가 혁신의 구조적 역동성을 모델링하고 파괴적 잠재력이 높은 조합을 성공적으로 강조할 수 있음을 보여준다. 본 연구는 구조적 추론과 역사적 데이터 모델링에 기반한 계산으로 안내되는 과학적 아이디어 창출을 위한 새로운 경로를 제공한다.
