본 논문은 급증하는 과학 문헌 속에서 연구 아이디어를 효과적으로 생성하는 것을 돕는 새로운 구조적 프레임워크인 "Budget AI Researcher"를 제시한다. 기존의 대규모 언어 모델(LLM) 기반 접근 방식의 한계를 극복하기 위해, Retrieval-Augmented Generation(RAG) 체인, 벡터 데이터베이스, 그리고 주제 기반 쌍을 이용하여 수백 편의 머신러닝 논문에서 개념을 재결합하는 방식을 사용한다. 9개 주요 AI 학회 논문을 계층적 주제 트리로 구성하여, 먼 주제 쌍을 식별하고 새로운 연구 초록을 생성하며, 관련 문헌 및 동료 검토를 통한 반복적인 자기 평가를 통해 초록을 다듬는다. LLM 기반 지표 및 인간 평가를 통해 기존 방식보다 생성된 연구 아이디어의 구체성과 흥미도가 크게 향상됨을 보여준다. 결론적으로, Budget AI Researcher는 과학적 발견을 가속화하고 진입 장벽을 낮추는 실용적이고 무료 도구를 제공한다.
