본 논문은 과학적 추론 및 초기 단계 약물 발견에 사용되는 대규모 언어 모델(LLM)에 도메인 일관성 구조를 부여하는 방법을 연구합니다. MedRule-KG라는 소형 지식 그래프 스캐폴드와 가벼운 검증기를 제시하여 생성 과정이 수학적으로 및 생물 의학적으로 유효한 출력을 향하도록 유도합니다. 이 시스템은 큐레이션된 기호적 사실을 프롬프트에 주입한 다음 결정적 검사기를 통해 규칙 만족도를 적용합니다. 생성 과정을 제약된 추론으로 공식화하고, 디코딩에 적합한 소프트 가이드 서브로게이트를 도입하며, 불확실성 정량화를 통해 철저한 통계적 분석을 수행합니다. 반응 타당성, 대사 호환성, 독성 스크리닝 등 90개의 작업에서 MedRule-KG는 강력한 연쇄적 사고(chain-of-thought) 기반 모델에 비해 위반 횟수를 83.2% 줄이면서 정확한 일치를 개선했습니다. 결과는 층화 및 데이터 세트 크기에 따라 안정적으로 유지되며 검증기는 거의 지연 시간을 추가하지 않아 대화형 설계에 실용적입니다.
