대규모 언어 모델(LLM)은 자연어 이해 및 생성, 특히 수학적 증명과 같은 다단계 추론에서 인상적인 능력을 보여주었습니다. 그러나 기존 접근 방식은 중간 추론 상태를 구조적으로 표현하고 진화시키는 명시적이고 동적인 메커니즘이 부족하여 상황 인식 정리 선택 및 반복적 결론 생성 능력을 제한합니다. 이러한 과제를 해결하기 위해, 본 연구에서는 그래프 신경망(GNN)과 LLM을 통합하여 다단계 추론을 위한 정리를 반복적으로 선택하고 중간 결론을 생성하는 새로운 동적 그래프 기반 프레임워크인 GraphMind를 제안합니다. 이 방법은 추론 과정을 노드가 조건, 정리 및 결론을 나타내고 엣지가 노드 간의 논리적 종속성을 캡처하는 이질적인 진화 그래프로 모델링합니다. GNN으로 현재 추론 상태를 인코딩하고 정리 선택에 시맨틱 매칭을 활용함으로써, 본 프레임워크는 상황 인식적이고 해석 가능하며 구조화된 추론을 폐쇄 루프 방식으로 가능하게 합니다. 다양한 질문 답변(QA) 데이터 세트에 대한 실험 결과, 제안된 GraphMind 방법이 일관된 성능 향상을 달성하고 다단계 추론에서 기존 기준선을 크게 능가하여 본 접근 방식의 효과와 일반성을 입증했습니다.
