본 논문은 대규모 언어 모델(LLM) 기반 다중 에이전트 시스템(MAS)을 이용한 자동화된 과학적 발견의 효율성을 높이기 위한 정보이론적 프레임워크인 PiFlow를 제안합니다. 기존의 접근 방식은 사전 정의된 워크플로우를 사용하여 과학적 발견을 자동화하지만, 합리성 제약이 부족하여 목표 없는 가설 설정과 가설과 증거 간의 일관성 있는 연결 실패로 이어져 체계적인 불확실성 감소를 저해합니다. PiFlow는 과학적 발견을 과학적 법칙과 같은 원칙에 따라 안내되는 구조화된 불확실성 감소 문제로 취급하여 이러한 한계를 극복합니다. 나노물질 구조, 생체 분자, 초전도체 후보 물질 발견 등 세 가지 과학 분야에서의 평가를 통해 기존 방식보다 발견 효율성이 크게 향상됨을 보여줍니다. AUC는 73.55% 증가하고, 솔루션 품질은 94.06% 향상되었습니다. PiFlow는 플러그 앤 플레이 방식으로, 효율적인 자동화된 과학적 발견에 대한 새로운 패러다임 전환을 제시합니다.
