Kookmin University MEMo, 분자 평균을 넘어 혼합물을 모델링하다

Kookmin University가 분자 표현을 학습할 때 화학적 혼합 비율을 반영하는 AI 모델 MEMo를 개발했다. 이는 성분을 각각 따로 인코딩하는 접근법에 도전하는 방식이다. Kookmin University MEMo는 동일한 성분도 비율이 바뀌면 다르게 거동한다는 구체적인 예측 문제를 다룬다. 연구진은 시험한 다섯 가지 특성 중 네 가지에서 선도적인 정확도를 기록했다고 보고했다.

핵심 비교 대상은 고립된 분자를 요약하는 모델과 혼합물 맥락에서 해당 분자를 학습하는 모델이다. SolvGNN을 포함한 기존 시스템도 이미 분자 간 상호작용을 반영했다. 따라서 MEMo는 조성 정보가 AI 모델 내부의 어느 단계에 포함되어야 하는지를 둘러싼 기존 연구 논의에 합류한다.

재료 연구자에게 이 차이는 실질적인 영향을 미친다. 실험 선택에 쓰이는 모델은 연구자가 제조에 시간을 쓰기 전에 유망한 조성을 구별해야 한다. 보고된 결과는 MEMo에 대한 추가 평가를 뒷받침하지만, 산업적 비용 절감과 제품 성능은 별개의 질문으로 남아 있다.

Kookmin University MEMo, 네 가지 특성 벤치마크에서 성과 보고

검증된 개발 성과는 벤치마크 개선 결과가 보고된 연구 모델이며, 제안된 활용 분야는 여전히 용도별 검증이 필요하다.

연구는 Jihwan Kim, Chanjoong Kim, Joonyoung F. Joung을 저자로 명시한다. Kookmin의 연구실은 이 출판물을 Chemical Engineering Journal 논문으로 소개한다. 해당 혼합물 표현 연구는 MEMo를 Mixture Embedding via Mole Fraction, 즉 분자 인코딩 과정에서 조성을 반영하는 방법으로 설명한다.

몰분율은 물질량을 기준으로 혼합물에서 특정 성분이 차지하는 비율을 측정한다. 분자 인코딩은 분자 구조를 예측 모델이 처리할 수 있는 수치 특성으로 변환한다. 이 단계에 조성을 반영하면 표현이 주변 혼합물에 따라 달라질 수 있다.

저자들은 86만 건이 넘는 실험 측정값으로 구성된 다섯 개의 벤치마크를 평가했다. 이들은 네 가지 특성에서 가장 높은 정확도를 기록했으며, 강한 상호작용을 보이는 혼합물과 학습 중 등장하지 않은 분자에서 더 큰 향상이 있었다고 보고했다. 이는 독립적인 재현 결과가 아니라 연구진이 보고한 결과다.

보고된 예측 대상은 밀도, 음속, 증기압, 굴절률, 표면장력이다. 이들은 함께 액체 거동의 서로 다른 측면을 시험한다. 그러나 산업용 조성을 검증하는 데 필요한 모든 특성에 대한 완전한 평가는 아니다.

발표를 해석할 때 이 구분은 중요하다. 성공적인 예측 과제는 평가 조건에서 시험된 대상에 관한 근거를 제시한다. 그것이 다른 대상, 다른 화학 물질군 또는 제조 의사결정에서도 유용한 정확도를 자동으로 입증하는 것은 아니다.

11월 8일자 혼합물 예측 발표는 배터리 전해질, 환경적으로 더 바람직한 용매, 이산화탄소 포집 소재를 잠재적 활용 분야로 언급한다. 이 사례들은 연구팀이 의도한 방향을 설명한다. 후속 시험의 기회로 읽어야 한다.

따라서 즉각적인 변화는 방법론적이다. 연구자들은 특성을 예측하기 전에 혼합물을 표현하는 또 하나의 보고된 방법을 갖게 됐다. 평가자는 전반적인 벤치마크 순위를 보편적인 승인으로 간주하기보다, 그 표현 방식이 자신의 화학 시스템에서 의사결정을 개선하는지 물을 수 있다.

시점 역시 정확하게 다뤄야 한다. 연구 프리프린트는 2026년 8월 20일 게시됐다. 11월의 보도는 이 연구에 다시 관심을 불러일으켰지만, 핵심 아이디어가 그 주에 처음 등장했다는 뜻으로 해석해서는 안 된다.

AI 연구 발표를 지켜보는 독자에게 이는 출판 관련 관심과 기술적 기원을 구분해 준다. 최근의 헤드라인이 이미 검토 가능한 연구를 다룰 수도 있다. 중요한 질문은 어떤 근거가 접근 가능해졌는지, 그리고 후속 시험이 원래 결과를 강화하는지 여부다.

조성 개발 팀에는 더 나은 실험 선정이 필요하다

실질적인 압력은 어떤 혼합물이 실험실의 관심을 받을 만한지 결정하는 팀에 가해진다.

가령 용매 개발 프로젝트를 예로 들어 보자. 연구자들은 여러 후보 성분을 보유하고 있으며, 조사할 조성을 선택해야 한다. 이들의 결정에는 어떤 물질을 조합할지뿐 아니라 각 물질을 얼마나 사용할지도 포함된다.

유용한 예측 시스템은 이 탐색의 우선순위를 정하는 데 도움을 줄 수 있다. 측정할 가치가 있는 후보를 식별하고, 주의가 필요한 조합을 표시하며, 연구자가 선택 이유를 설명할 수 있을 만큼의 정보를 보존할 수 있다. 이는 분명한 운영 목적을 지닌 의사결정 지원 역할이다.

이 사례는 보고된 MEMo 배포가 아니라 활용 시나리오다. 이 경계를 분명히 하면 그럴듯한 활용 사례가 만들어 낸 고객 성과로 바뀌는 일을 막을 수 있다. 또한 도입에 필요한 근거를 더 쉽게 식별할 수 있다.

핵심 상업적 질문은 예측이 실험 순서를 건설적으로 바꾸는지 여부다. 연구자들이 여전히 같은 후보를 선택하거나 모든 스크리닝 단계를 반복해야 한다면, 더 빠른 계산의 가치는 제한적이다. 측정할 만한 결과는 더 나은 우선순위 설정이다.

따라서 Kookmin University MEMo를 평가하는 조성 개발 팀은 평가 지표를 선택하기 전에 자신의 의사결정을 정의해야 한다. 약한 후보를 선별하는 일, 유망한 블렌드를 순위화하는 일, 최종 사양을 추정하는 일은 서로 다른 과제다. 각 과제는 예측 품질에 서로 다른 요구를 둔다.

스크리닝의 경우 개별 추정치가 완벽하지 않더라도 모델은 유용할 수 있다. 반면 적격성 평가에서는 같은 수준의 불확실성이 용납되지 않을 수 있다. 허용 가능한 오차는 연구자들이 출력값으로 무엇을 하려는지에 달려 있다.

이는 실험실 팀뿐 아니라 소프트웨어 제공업체에도 부담을 준다. 혼합물 예측을 제공하는 업체는 모델이 신뢰성 있게 작동하는 화학적 조건을 설명해야 한다. 매력적인 시연만으로는 모든 잠재 사용자에게 그 질문에 답할 수 없다.

구매자는 모델 출력과 권고안도 구분해야 한다. 추정된 특성은 예측된 성질을 설명한다. 권고안에는 기초 예측 모델이 고려하지 않았을 수도 있는 제약, 우선순위 및 결과가 추가로 반영된다.

예를 들어 대체 용매를 찾는 프로젝트에는 유리한 물성 추정치 외의 기준이 필요하다. 조직은 어떤 추가 요건이 선택을 좌우할지 결정해야 한다. MEMo의 보고된 벤치마크 결과는 이러한 조직별 의사결정 프레임워크를 제공하지 않는다.

따라서 연구진이 제안한 활용 분야는 구조화된 평가에 대한 초대로 보는 것이 가장 적절하다. 배터리 팀과 용매 팀은 서로 다른 질문을 던지면서 같은 모델링 접근법을 조사할 수 있다. 어느 쪽도 다른 쪽의 수용 기준을 그대로 물려받아서는 안 된다.

이 인계 지점에서는 지식 관리가 중요해진다. 팀은 원본 논문, 데이터세트 버전, 가정 및 실험 의사결정을 함께 보존해야 한다. 검색 가능한 지식 베이스는 화학적 검증을 대체하지 않으면서도 이러한 기록을 지원할 수 있다.

조직적 기회는 명확하다. 각 예측을 해석에 사용된 근거와 추적 가능하게 연결하는 것이다. 이러한 기록은 연구자가 왜 한 후보가 다음 단계로 진행됐는지, 다른 후보가 왜 실패했는지, 그리고 이후 발견이 이전 결정을 재검토할 근거가 되는지를 이해하는 데 도움이 된다.

조성은 최종 입력값만이 아니라 표현 자체를 바꾼다

MEMo의 차별화된 제안은 모델이 조성 정보를 언제 접하는지에 관한 것이다.

분자 표현은 화학 구조에서 학습된 수치적 설명이다. 혼합물 모델에서 이 설명은 특성을 추정하는 데 사용되는 정보의 일부가 된다. 설계상의 질문은 혼합 파트너가 설명 자체에 영향을 미치는지 여부다.

저자들에 따르면, 기존 접근법은 일반적으로 분자를 독립적으로 인코딩하고 조성 가중치를 사용해 그 표현을 결합한다. 이후 예측 네트워크가 상호작용을 처리한다. 반면 MEMo는 인코딩 과정에서 조성에 따라 분자 표현을 조건화한다.

이 차이는 신중하게 설명해야 한다. 고립된 분자 표현을 결합한다고 해서 모델이 물리적 특성의 단순 평균만 예측하게 되는 것은 아니다. 이후 네트워크도 결합된 입력에서 복잡한 관계를 학습할 수 있다.

더 정확한 쟁점은 모델링의 각 단계에서 이용할 수 있는 정보에 관한 것이다. 초기 표현이 혼합물 맥락을 제외한다면, 이후 처리는 관련 상호작용 거동을 복원해야 한다. MEMo는 그 책임의 일부를 표현 학습 단계로 옮긴다.

이는 모델 아키텍처가 시스템 안에서 정보가 이동하는 방식을 결정하기 때문에 의미 있는 가설이다. 아키텍처는 계산 구성 요소와 그 연결 방식의 배치를 뜻한다. 서로 다른 배치는 특정 관계를 학습하기 쉽게도, 어렵게도 만들 수 있다.

직관적인 비교는 레시피를 평가하기 전에 재료를 개별적으로 읽는 것과, 레시피 전체를 염두에 두고 각 재료를 설명하는 것의 차이다. 이 비유는 정보 흐름을 설명한다. 그것이 신경망이 사람처럼 화학을 이해한다는 사실을 입증하는 것은 아니다.

상호작용을 인식하는 표현이 물리적 설명을 자동으로 제공하는 것도 아니다. 모델은 출력의 원인에 관한 통찰을 제한적으로만 제공하면서도 정확하게 예측할 수 있다. 예측 성능과 과학적 해석 가능성은 별도의 평가가 필요하다.

더 넓은 분야에는 이미 관련 선례가 존재한다. SolvGNN은 조성에 따라 달라지는 혼합물 거동을 예측하기 위해 국소적 분자 처리와 분자 간 정보 교환을 사용했다. 해당 분자 상호작용 네트워크는 두 개와 세 개의 성분을 포함하는 혼합물을 뜻하는 이성분 및 삼성분 시스템을 다뤘다.

이전 연구는 과장된 최초 사례 서사를 막는다. 연구자들은 MEMo 이전부터 명시적 상호작용과 조성을 조사하고 있었다. 현재의 기여는 조성 조건부 분자 인코딩에 특히 초점을 둔 채 이러한 발전 과정 안에 자리한다.

비교에도 한계가 필요하다. SolvGNN은 이상적 혼합물 거동에서 벗어나는 정도를 설명하는 양인 활성도 계수를 연구했다. 그 대상과 데이터세트는 MEMo가 보고한 특성 벤치마크와 다르므로, 두 연구는 시스템 간 직접적인 순위를 확립하지 않는다.

공정한 비교에는 공통 과제가 필요하다. 평가자는 일관된 데이터세트, 비교 가능한 학습 조건, 학습 사례와 평가 사례를 분리하는 동일한 규칙을 갖춰야 한다. 이러한 통제가 없으면 서로 다른 헤드라인 점수는 서로 다른 질문에 답하게 된다.

이 지점에서 과학적 중요성이 더 분명해진다. 중요한 경쟁은 일치된 조건에서 표현 선택지 사이에서 이뤄진다. 보고된 결과가 서로 다른 화학 문제에서 나온 경우에는 모델 이름을 비교하는 것이 정보 가치가 낮다.

개발자에게 주는 교훈은 아키텍처가 예측기에 무엇을 제공하는지 살펴보는 것이다. 방법의 이름만으로는 이를 거의 알 수 없다. 입력 정의, 처리 단계, 평가 설계가 그 접근법이 과제에 적합한지를 판단하는 데 더 유용한 기준이 된다.

연구자에게 다음 질문은 익숙한 지름길이 사라져도 표현 방식의 이점이 유지되는지다. 이는 관심을 아키텍처의 개연성에서 실질적 신뢰성을 입증하는 데 필요한 테스트로 옮긴다.

점수보다 먼저 측정값에 맥락이 필요하다

대규모 실험 데이터세트는 평가의 기반을 제공하지만, 그 구성은 평가로 무엇을 입증할 수 있는지를 결정한다.

MEMo의 벤치마크는 NIST/TRC ThermoML 아카이브를 활용한다. NIST는 ThermoML 실험 아카이브를 열물리 및 열화학 데이터를 저장하고 교환하기 위한 자원으로 설명한다. 이러한 범주는 온도와 열에 관련된 물리적 특성과 연관된 화학 측정값을 포괄한다.

기록된 실험은 모델 평가를 위한 기준값을 제공하므로, 아카이브의 출처는 중요하다. 다만 NIST는 아카이브가 완벽하지 않다고 명시한다. 문서에서는 개별 활용 사례에 대해 관련 출처와 정보를 대조할 것도 안내한다.

이러한 주의는 아카이브의 가치와 양립한다. 정제된 과학 데이터는 측정 불확실성과 간헐적 오류를 지닌 채로도 유용한 연구를 뒷받침할 수 있다. 모델을 책임감 있게 평가하려면 자원 자체와 그 한계를 모두 인정해야 한다.

따라서 측정 건수는 포괄 범위에 대한 논의의 출발점이 되어야 한다. 평가자는 어떤 화학물질, 조성, 실험 조건이 전체 수치에 기여하는지 알아야 한다. 유사한 시스템을 반복 관측하는 일은 낯선 시스템을 폭넓게 다루는 것과는 다른 질문에 답한다.

이는 MEMo 데이터세트에 특정 결함이 있다는 발견이 아니라, 일반적인 평가상의 우려다. 이 구분은 중요하다. 방법론적 질문을 제기한다고 해서 연구자들이 이를 다루지 못했다는 사실이 입증되는 것은 아니다.

훈련 데이터와 테스트 데이터의 분리에도 같은 주의가 필요하다. 테스트 세트에는 학습 후 모델을 평가하기 위해 남겨 둔 사례가 포함된다. 훈련 세트와의 관계가 그 평가의 난이도를 결정한다.

익숙한 혼합물에서 제외한 측정값은 한 종류의 예측을 시험한다. 제외한 성분은 또 다른 종류를 시험한다. 둘 다 유용할 수 있지만, 도입을 고려하는 연구자에게는 서로 다른 수준의 새로움을 의미한다.

따라서 저자들이 이전에 보지 못한 분자에서 성능 향상을 보고한 것은 의미가 있다. 이는 익숙한 성분의 추가 측정값을 예측하는 경우보다 더 까다로운 활용 사례를 가리킨다. 다만 독자는 그 새로움이 어떻게 정의됐는지 해석하려면 세부 프로토콜을 확인해야 한다.

산업 구매자에게 적절한 테스트는 의도한 의사결정과 닮아 있어야 한다. 프로젝트에서 낯선 화학 계열을 정기적으로 도입한다면, 평가도 이를 반영해야 한다. 알려진 블렌드를 조정하는 프로젝트라면 다른 테스트가 더 대표적일 수 있다.

온도, 압력, 조성의 범위도 이 검토에 포함된다. 평가자는 계획된 용도가 근거에 포함된 조건 안에 머무르는지 물어야 한다. 예측 인터페이스는 사용자가 결과를 해석하기 전에 이 질문에 답할 수 있게 해야 한다.

특성별 보고도 마찬가지로 중요하다. 통합된 성공 주장은 특정 프로젝트에 가장 중요한 목표를 가릴 수 있다. 표면장력을 위해 모델을 채택하는 조직에는 무관한 목표의 성과가 아니라 해당 특성에 대한 결과가 필요하다.

유용한 보고는 오류를 실제 의사결정과 연결해야 한다. 평가자는 예측 불확실성이 후보 순위를 바꾸는지, 또는 받아들일 수 없는 선택을 유발하는지 물어야 한다. 이렇게 하면 추상적인 모델 성능을 사용자가 관리해야 하는 결과로 번역할 수 있다.

이 관점은 발표를 현실에 맞게 유지한다. 국민대학교 MEMo는 모델링 접근법에 대한 보고된 근거를 제시한다. 특정 워크플로에 적합한지는 평가가 해당 워크플로의 화학과 의사결정에 얼마나 밀접하게 부합하는지에 달려 있다.

네 가지 벤치마크 승리는 중요한 질문을 남긴다

보고된 순위는 추가 조사를 뒷받침하지만, 보편적 우위나 정량화된 개발 비용 절감을 입증하지는 않는다.

요약 결과는 분명한 질문을 남긴다. 나머지 특성에서는 어떤 일이 있었는가? 접근 가능한 초록은 예외를 특정하지 않은 채 전체 결과를 제시한다. 독자는 그 공백을 추측으로 채우지 말아야 한다.

그 예외는 프로젝트가 해당 목표에 의존하는 도입자에게 특히 중요할 수 있다. 그렇다고 해서 다른 영역에서의 성능 향상을 무효화할 필요는 없다. 유용한 평가는 더 넓은 결론을 내리기 전에 각 과제를 그 자체의 조건에서 검토한다.

각 개선의 크기도 중요하다. 벤치마크에서 이겼다는 것은 특정 평가 조건에서의 순위를 보여 준다. 그것만으로는 실험실에 그 차이가 다음에 수행할 실험을 바꿀 정도인지 알려 주지 않는다.

평가자는 순위 뒤에 있는 오류 분포를 살펴봐야 한다. 평균은 어려운 부분집합을 숨긴 채 성능을 요약할 수 있다. 실질적인 질문은 그 어려운 사례가 조직이 실제로 사용하는 화학물질과 조건에 겹치는지다.

불확실성 추정치가 가치 있어지는 지점도 여기다. 불확실성 추정치는 모델이 예측에 대해 얼마나 확신하는지를 설명한다. 의사결정 지원에서 중요한 질문은 그 확신이 관측된 신뢰성과 부합하는지다.

낯선 사례를 알리는 모델은 연구자에게 신중히 대응할 기회를 준다. 모든 결과를 동일한 확실성으로 제시하는 모델은 해석을 더 어렵게 만든다. 이는 MEMo의 현재 인터페이스나 구현에 관한 검증된 주장이 아니라 평가의 우선순위다.

전향적 테스트는 또 다른 공백을 다룰 수 있다. 전향적 실험은 예측이 이루어진 뒤 후보를 측정한다. 이 순서는 개발 중 이미 이용 가능했던 데이터를 설명하는 것보다 실험 선택을 더 명확하게 시험한다.

핵심 결과는 문서화된 의사결정 뒤에 측정 결과가 이어지는 것이다. 연구자들은 예측 순위가 유지됐는지, 어떤 후보가 실패했는지, 방법이 기존 관행과 어떻게 비교됐는지 검토할 수 있다. 성공하지 못한 예측도 유익한 정보가 될 수 있다.

개발 노력 감소에 관한 주장에도 같은 기준이 적용된다. 이러한 주장은 정의된 기준선과 관측된 워크플로 결과를 필요로 한다. 예측 정확도만으로는 조직이 얼마나 많은 실험실 작업을 피할 수 있는지 입증할 수 없다.

개발팀은 실험을 없애지 않고도 모델의 도움을 받을 수 있다. 더 나은 선택, 더 명확한 우선순위 설정, 또는 부적합한 후보의 조기 배제는 가치를 지닐 수 있다. 이러한 이점은 발표만으로 가정하기보다 측정되어야 한다.

특성을 예측하는 것과 제품을 설계하는 것 사이에도 경계가 있다. 완성된 제형은 의도한 용도의 요구사항을 충족해야 한다. 테스트된 물리적 특성에 대한 긍정적인 추정은 그 근거의 일부만 제공한다.

이 때문에 적절한 회의론은 구체적이다. 어떤 목표가 개선됐는지, 새로움을 어떻게 시험했는지, 결과가 실제 의사결정을 바꾸는지 물어야 한다. 이러한 질문은 반대를 꾸며 내거나 연구를 폄하하지 않고 주장을 직접 평가한다.

재현, 신규 측정, 더 폭넓은 비교를 지켜봐야 한다

가장 유익한 후속 근거는 재현 가능한 모델 결과를 신규 실험 전에 내려진 의사결정과 연결할 것이다.

먼저 독립적 재현을 지켜봐야 한다. 다른 연구 그룹이 문서화된 절차를 사용해 평가를 재구성하고 비교 가능한 결과를 얻을 수 있어야 한다. 일치하는 결과는 해당 성과가 원래 구현을 넘어 이식 가능하다는 신뢰를 높일 것이다.

재현에는 MEMo뿐 아니라 비교 방법도 포함되어야 한다. 공정한 평가는 경쟁 접근법을 일관되게 다룰 필요가 있다. 그렇지 않으면 준비나 튜닝의 차이가 아키텍처 문제와 얽힐 수 있다.

재현 실패는 즉각적인 판정이 아니라 조사를 필요로 한다. 데이터세트 버전, 전처리, 평가 정의가 불일치를 설명할 수 있다. 유용한 신호는 그러한 불일치를 투명하게 해결할 수 있는지다.

둘째, 예측 후 신규 측정이 이루어지는 사례를 지켜봐야 한다. 실험실 테스트 전에 선택을 기록하는 제형 연구는 제안된 의사결정 지원 역할을 직접 검토할 수 있다. 이는 모델의 추정치를 선택 당시 이용할 수 없었던 결과와 연결한다.

연구자들이 성공한 후보와 함께 탈락한 후보도 보고한다면 이 근거는 더 강해질 것이다. 좁은 성공 사례만으로는 선택 효과를 평가하기 어렵다. 완전한 의사결정 기록은 접근법이 도움이 된 곳과 실패한 곳을 독자가 이해하게 해 준다.

예측된 우선순위가 유용한 실험을 일관되게 이끈다면 결과는 실용적 근거를 강화할 것이다. 모델이 선호한 후보가 의도한 조건에서 저조한 성능을 보인다면 그 근거는 약화될 것이다. 어느 결과든 적절한 활용의 경계를 더 분명히 할 것이다.

셋째, 일관된 화학 및 평가 조건을 이용한 더 폭넓은 비교를 지켜봐야 한다. 이는 목표 응용과 유사한 어려운 사례를 포함해, 관련 표현 방식 접근법을 공통 과제에서 시험한다는 뜻이다. 그러한 비교에서도 이점이 유지될 때 아키텍처 주장은 더 설득력을 얻는다.

비교는 각 방법을 사용하는 데 필요한 노력도 고려해야 한다. 모델 준비, 데이터 요구사항, 해석은 모두 실험실이 시스템을 채택할 수 있는지에 영향을 미친다. 연구자들이 운영상 요구사항을 이해할 수 있을 때 벤치마크 성과는 더 유용해진다.

이러한 신호는 발표된 이정표나 약속된 출시가 아니라 앞으로 몇 달간의 우선순위다. 독립 테스트나 전향적 결과가 언제 나타날지 보여 주는 검증된 일정은 없다. 그 부재를 이행하지 못한 약속으로 바꿔 써서는 안 된다.

개발자와 과학 소프트웨어 구매자에게 즉각적인 행동은 제목을 받아들이기 전에 평가를 읽는 것이다. 목표 특성을 파악하고, 낯선 화학에 대한 테스트를 검토하며, 실험 조건을 의도한 프로젝트와 비교하라. 어떤 근거가 의사결정을 바꿀지 물어야 한다.

국민대학교 MEMo를 고려하는 연구자라면 의사결정을 기록하고 이후 측정값과 대조할 수 있는 응용 분야를 선택하라. 기준선, 모델 버전, 각 후보를 진행시킨 이유를 보존하라. 실패한 예측을 채택 경계를 다듬기 위한 근거로 다뤄라. 그런 다음 이 발표가 열어 둔 실질적 질문을 던져야 한다. 혼합물 맥락을 더 이른 단계에 반영하는 것이 팀이 더 나은 실험을 선택하는 데 도움이 되는가?