MOOSE-Star는 과학적 발견을 위한 생성적 추론 과정의 복잡성을 획기적으로 낮춰 효율적인 학습과 추론을 가능하게 하는 통합 프레임워크입니다.

기존의 대규모 언어 모델이 다루기 어려웠던 조합적 복잡도 문제를, 분해된 하위 작업, 동기 기반 계층적 탐색, 그리고 경계된 조합 기법을 통해 지수적 복잡도에서 로그 복잡도로 줄였습니다.

이를 위해 10만 건 이상의 논문을 분해한 TOMATO-Star 데이터셋을 공개하였으며, 관련 모델과 학습·추론 파이프라인도 함께 배포하여 AI 기반 과학 연구의 확장성과 실용성을 크게 향상시켰습니다.

이 프레임워크는 특히 다단계 문제에서 기존 무차별 탐색이 한계에 부딪히는 반면, 지속적인 테스트 시점 확장성을 보여 과학적 가설 생성의 새로운 가능성을 열어줍니다.