두 인공지능 모델이 동일한 과학적 과제에 대해 학습할 때, 동일한 이론을 학습하는지 아니면 서로 다른 두 이론을 학습하는지에 대한 연구입니다. 과학의 역사를 통해 실험적 검증이나 반증에 의해 이론이 등장하고 쇠퇴하는 것을 목격해왔듯이, 실험 데이터가 부족할 때는 여러 이론이 공존할 수 있지만, 더 많은 실험 데이터가 이용 가능해짐에 따라 생존하는 이론의 공간은 더 제한됩니다. 이 논문은 인공지능 과학자에게도 동일한 현상이 나타남을 보여줍니다. 훈련 데이터에 제공되는 시스템이 증가함에 따라 인공지능 과학자들은 학습한 이론에 수렴하는 경향이 있지만, 때로는 서로 다른 이론에 해당하는 별개의 그룹을 형성하기도 합니다. 인공지능 과학자가 학습하는 이론을 기계적으로 해석하고 그들의 합의를 정량화하기 위해, 저자들은 물리학의 표준 문제에 대해 훈련된 Hamiltonian-Lagrangian 신경망인 MASS를 제안합니다. 이는 서로 다른 인공지능 과학자의 구성을 시뮬레이션하는 많은 시드에 걸쳐 훈련 결과를 집계합니다. 연구 결과에 따르면, 인공지능 과학자들은 단순한 설정에서는 Hamiltonian 이론을 학습하다가 더 복잡한 시스템이 도입되면 Lagrangian 공식으로 전환하는 것으로 나타났습니다. 또한, 관련 이론의 등장과 쇠퇴를 제어하는 훈련 역학과 최종 학습 가중치에 대한 강력한 시드 의존성을 관찰했습니다. 마지막으로, 신경망이 해석 가능성을 높이는 데 도움이 될 뿐만 아니라 고차원 문제에도 적용될 수 있음을 보여줍니다.
