본 논문은 대규모 언어 모델(LLM)을 활용하여 과학적 지식의 구조적 탐색을 위한 새로운 가능성을 제시한다. 과학적 발견을 고립된 아이디어나 콘텐츠로 보는 대신, 혁신적인 통찰력을 형성하는 데 있어 방법론적 조합의 역할을 강조하는 구조적 접근 방식을 제안한다. 특히, 방법론적 설계와 관련된 지식 단위가 어떻게 모델링되고 재결합되어 연구 혁신을 가져올 수 있는지 조사한다. 제안된 프레임워크는 두 가지 주요 과제를 해결한다. 첫째, 문제 중심적 맥락 내에서 역사적으로 혁신적인 방법 조합의 구별되는 특징을 식별하기 위한 대조 학습 기반 메커니즘을 도입한다. 둘째, LLM의 사고 연쇄 기능을 활용하여 새로운 문제 진술에 대한 유망한 지식 재결합을 식별하는 추론 기반 몬테카를로 탐색 알고리즘을 제안한다. 여러 분야에 걸친 실증적 연구는 이 프레임워크가 혁신의 구조적 역학을 모델링하고 혁신적인 잠재력이 높은 조합을 성공적으로 강조할 수 있음을 보여준다. 이 연구는 구조적 추론과 역사적 데이터 모델링에 기반한 계산적으로 안내되는 과학적 사고에 대한 새로운 경로를 제공한다.
