Johns Hopkins 연구에 따르면 LLM은 일회성 사실에 대한 교육을 받을 때 더 많은 것을 발견할 수 있습니다.

본문

Johns Hopkins 연구자들은 더 많은 일회성 사실 또는 단일 사실에 대해 교육을 받은 LLM이 더 많은 새로운 물질과 DNA 서열을 발견한다는 사실을 발견했습니다. 연구원들은 훈련 데이터에서 단 한 번만 나타나는 사실이 재료 과학 및 유전체학의 모델 발견을 촉진한다고 말합니다. Johns Hopkins University의 새로운 연구에 따르면 적어도 과학적 발견에 있어서는 대규모 언어 모델이 다르게 작동할 수 있다고 합니다. 모델의 훈련 데이터에 한 번만 나타나는 사실은 모델이 새로운 것을 더 잘 찾는 데 도움이 되는 것으로 보입니다. 이 논문의 제목은 "훈련 데이터에 대한 LLM의 과학적 발견 능력 추적"입니다. 2026년 11월 3일에 출판되었으며 이러한 일회성 사실에 단일 사실이라는 이름을 붙였습니다.

모델은 모델의 훈련 마감일 이후부터 훈련을 받은 적이 없는 예를 의미하는 홀드아웃 재료와 DNA 서열을 찾을 수 있는지 여부에 따라 점수가 매겨졌습니다. 연구에 따르면 발견의 증가는 훈련 세트의 전반적인 다양성에만 기인할 수는 없습니다. 이 연구는 동일한 기관의 이전 연구를 기반으로 합니다. 2026년 6월 존스 홉킨스 연구자들은 상황 내 학습 능력이 DNA와 같은 비언어 서열에 대해 훈련된 게놈 모델에서 나타났다는 것을 보여주는 연구 결과를 발표했습니다. 공동 저자에는 Microsoft와 Apple의 인물이 포함되어 있으며, 이 간행물은 경험적 데이터와 AI 교육이 유전체학과 재료 과학에서 어떻게 상호 작용하는지 연구하려는 Johns Hopkins의 광범위한 노력에 속합니다. 콘텐츠 작성 및 검토 방법에 대한 자세한 내용은 편집 정책을 참조하세요.

이 연구는 과학적 혁신을 위한 AI의 잠재력을 향상시키기 위해 고유한 사실을 강조하면서 데이터 큐레이션 전략을 재고할 것을 제안합니다. Johns Hopkins 포스트 연구에 따르면 LLM은 Crypto Briefing에 처음 등장한 일회성 사실에 대한 교육을 받을 때 더 많은 것을 발견할 수 있습니다.