Argonne National Laboratory is building scientific computing ecosystems that integrate AI across institutional, software, and community dimensions to enable data-driven discovery.

신뢰할 수 있는 AI 기반 과학적 발견은 소프트웨어, 인력, 기관 및 커뮤니티 활동에 달려 있습니다.

인공지능은 과학 컴퓨팅을 빠르게 변화시키고 있습니다. AI 시스템은 이제 코드를 생성하고 분석하며, 정보를 종합하고, 가설 생성을 지원하며, 과학 워크플로우 내에서 복잡한 추론 작업을 수행할 수 있습니다. 컴퓨팅 아키텍처의 발전과 데이터 집약적 연구와 함께, 이러한 기능들은 과학적 작업이 수행되는 방식을 재형성하고 있습니다.

과학 커뮤니티의 과제는 단순히 연구를 더 빠르게 하는 것이 아니라, 엄격성, 투명성, 책임성 및 인간의 판단을 보존하면서 이러한 기능들을 활용할 수 있는 과학 컴퓨팅 생태계를 구축하는 것입니다 — 새로운 형태의 협력과 발견을 가능하게 합니다.

이는 4월 14-16일 시카고에서 개최된 2026 차세대 과학 컴퓨팅 생태계 워크숍의 초점이었습니다. Lois Curfman McInnes와 협력자들이 2024 DOE 과학청 석학 펠로우십의 일환으로 조직한 이 워크숍은 대학, 국립 연구소, 산업 및 기타 기관의 연구자와 실무자들을 모아 AI가 연구의 더 활발한 참여자가 되면서 과학 컴퓨팅 생태계가 어떻게 발전해야 하는지 검토했습니다. 2025년의 첫 워크숍을 바탕으로, 올해의 논의는 과제 식별에서 커뮤니티를 위한 전략적 우선순위와 행동 개발로 나아갔습니다.

그 결과 보고서는 네 가지 상호 의존적인 전략적 주제를 식별합니다: AI 기반 과학적 발견을 위한 소프트웨어 생태계; 신뢰, 검증 및 추적 가능성; 인간-AI 팀 작업 및 패러다임 변화; 그리고 인력, 교육학 및 거버넌스.

보고서는 생태계를 광범위한 의미로 사용하며, 과학 컴퓨팅을 형성하는 기술, 사회 및 조직 구조를 포함합니다 — 하드웨어, 소프트웨어, 데이터 및 워크플로우에서 인력, 기관, 인센티브 및 커뮤니티 관행까지. 목표는 과학적 필요와 기술이 변함에 따라 적응할 수 있는 환경을 만드는 것입니다. 이 관점은 AI가 연구자가 사용하는 도구에서 과학 워크플로우의 활발한 참여자로 진화하면서 검증, 출처, 책임성 및 인간 전문성의 역할에 대한 시급한 질문을 제기할 때 매우 중요합니다.

효과적인 소프트웨어 생태계에 필수적인 것은 공유 연구 자산입니다: 프로젝트와 커뮤니티 전체에서 재사용할 수 있는 형태로 지식, 맥락, 가정 및 계산 접근 방식을 담아내는 재사용 가능한 소프트웨어, 데이터 세트, 메타데이터, 워크플로우, 벤치마크, 검증 예제 및 문서. 이러한 자산은 연구자가 복잡한 워크플로우를 이해, 확장 및 검증하도록 도와줍니다. 특히 AI, 가속기 기반 컴퓨팅 및 신흥 기술이 점점 더 상호 연결됨에 따라 더욱 그렇습니다. 보고서는 사용성을 강조합니다 — 연구자가 과학적 문제를 해결하기 위한 적절한 방법과 그 한계를 식별하도록 지원합니다.

AI 기반 워크플로우가 탐색 용도에서 과학적 분석 및 의사 결정으로 이동함에 따라, 보고서는 신뢰 관련 기능 — 검증, 유효성 확인, 불확실성 정량화, 출처, 추적 가능성, 투명성 및 감시 가능성 — 이 핵심 설계 요구사항이 되도록 촉구합니다. 전통적인 접근 방식은 충분하지 않을 수 있습니다. 기계론적 모델, 수치 방법, AI 시스템, 대체 모델 및 인간의 판단을 결합하는 하이브리드 워크플로우에 맞춘 방법으로 확장되어야 합니다. 과학 소프트웨어는 특별한 과제를 제시합니다: 명백한 기술적 오류 없이 실행될 수 있지만 여전히 과학적으로 오도하는 결과를 생성할 수 있으며, 일반적인 테스트는 이러한 상황을 감지하지 못할 수 있습니다. 특히 AI가 빠르게 코드를 생성하거나 수정할 때 더욱 그렇습니다. 워크숍 참가자들은 AI 기반 과학 워크플로우를 평가하기 위한 새로운 수학적 및 통계적 기반의 접근 방식의 필요성을 강조했습니다.

보고서는 작업 활동 — 특정 목표를 달성하기 위해 필요한 활동 — 과 팀 작업을 구분합니다. 팀 작업은 인력과 AI 시스템이 그 목표를 향해 효과적으로 조율하는 방법과 관련됩니다. AI가 더 많은 작업 활동을 맡음에 따라, 효과적인 팀 작업은 점점 더 중요해집니다. 인간 연구자는 과학적 질문을 설정하고, 도메인 및 계산 지식을 결합하고, 증거를 평가하고, 불확실성을 관리하고, 예기치 않은 결과를 해석하는 데 필수적입니다. 자동화와 인간 개입 사이의 적절한 균형은 작업에 따라 달라지며, 더 높은 위험이나 더 큰 영향을 미치는 활동은 더 큰 투명성, 검증 및 인간의 판단이 필요합니다. 워크숍은 펠로우십, 인턴십, 도제 프로그램 및 교차 부문 연구 프로젝트를 통해 초기 경력 연구자에게 인간-AI 팀 작업의 실질적인 경험을 제공하는 것을 강조합니다.

과학 컴퓨팅 교육은 프로그래밍을 넘어 비판적 사고, 증거 평가, 불확실성 하에서의 추론, 검증, 재현성, 커뮤니케이션 및 AI 기반 도구의 책임감 있는 사용을 포함해야 합니다. 보고서의 인력 로드맵은 학생, 실무자 및 기관 지도자를 위한 여러 경로를 강조하며, 사람들이 다양한 단계에서 그리고 다양한 역할에서 과학 컴퓨팅에 진입한다는 것을 인식합니다. 특정 세대의 도구에 대해 인력을 준비시키는 대신, 목표는 기술이 발전함에 따라 가치 있게 유지되는 역량을 개발하는 것입니다.

워크숍의 핵심 메시지는 AI로 인해 심화된 오랫동안의 생태계 과제들이 개별 프로젝트나 조직이 단독으로 행동해서는 해결할 수 없다는 것입니다. 효과적인 과학 생태계를 구축하려면 연구자, 대학, 국립 연구소, 민간 부문, 자금 제공 기관 및 전문 학회 간의 조율이 필요합니다.

네 가지 주제를 바탕으로, 보고서는 커뮤니티 활동을 위한 여덟 가지 영역을 식별합니다. 단기 노력은 공유 연구 자산, 신뢰 인프라, 인간-AI 팀 작업 관행 및 과학 소프트웨어 관리 인센티브를 강화해야 합니다. 시범 프로젝트는 여러 AI 에이전트와 여러 기관을 조율하기 위한 새로운 접근 방식을 탐색하면서 사용자가 연구 워크플로우 전반에 걸쳐 더 정보에 입각한 선택을 하도록 돕는 방법을 조사해야 합니다. 종단 연구는 AI가 직장, 전문 역할 및 팀 행동에 미치는 영향을 검토하고 AI 기반 생태계가 과학 및 공학 관행을 개선하는지 평가해야 합니다.

AI는 과학 작업의 일부를 가속화할 수 있지만, 속도만으로는 진보가 아닙니다. 관련된 질문은 AI 기반 생태계가 타당하고, 해석 가능하고, 창의적인 발견을 지원하는지 여부입니다. 그 기준을 충족하려면 기술 능력 이상이 필요합니다: 소프트웨어, 데이터, 인력, 기관, 인센티브 및 커뮤니티 관행은 피드백, 적응 및 관리를 통해 함께 발전해야 합니다. 보고서가 결론 짓듯이, "잘 수행하면, 이러한 생태계는 발견을 가속화하고 과학적 문의를 확대하면서 진보와 공공 이익이 달려있는 엄격성, 투명성, 책임성 및 협력을 보존할 수 있습니다."

전체 보고서인 "과학 컴퓨팅을 위한 차세대 생태계로의 전환: 학제 간 팀 과학을 위한 커뮤니티, 소프트웨어 및 AI 활용" (L. C. McInnes 외)은 https://doi.org/10.48550/arXiv.2608.26519에서 확인할 수 있습니다. SC26에 참석하는 분들은 11월 17일 화요일에 BOF: 인공지능 시대의 과학 컴퓨팅 생태계 대화에 참여하도록 초대됩니다.