Agentic AI for Multi-Stage Physics Experiments at a Large-Scale User Facility Particle Accelerator

핵심

가속기를 Advanced Light Source (ALS) 와 같은 곳의 가속기로 상상해 보세요. 이는 거대하고 매우 복잡한 오케스트라와 같습니다. 과학자들이 사용할 빛 빔을 생성하기 위해 완벽하게 조율되어야 하는 23 만 개 이상의 개별 악기 (프로세스 변수 또는 PV 라고 함) 가 있습니다. 보통은 숙련된 지휘자 (운영자) 팀이 이 악기들에게 무엇을 해야 하는지 알려주기 위해 복잡한 악보 (스크립트) 를 수동으로 작성해야 합니다. 실수가 발생하면 음악이 멈추고, 오케스트라는 몇 시간 동안 침묵하며, 청중 (과학자들) 은 기다리게 됩니다.

이 논문은 Accelerator Assistant 라는 새로운 종류의 "AI 지휘자"를 소개합니다. 간단한 비유를 사용하여 작동 방식을 설명하면 다음과 같습니다:

문제: "번역가" 병목 현상

과거에 과학자가 특정 비일상 실험을 하고 싶다면, 인간 전문가에게 맞춤형 스크립트를 작성해 달라고 요청해야 했습니다. 이는 간단한 질문을 하기 위해 번역자에게 외국어로 법적 계약을 작성해 달라고 요청하는 것과 같았습니다. 타이핑, 디버깅, 확인에 몇 시간이 걸렸습니다. 전문가가 피곤해지거나 오타를 내면 전체 기기가 고장 날 수 있었습니다.

해결책: 규칙집을 가진 "똑똑한 인턴"

이 팀은 "인간"(영어) 과 "기계"(코드) 를 모두 구사하는 초지능적이고 초체계적인 인턴처럼 행동하는 AI 시스템을 구축했습니다.

1. 듣고 계획하기 ("먼저 계획하기" 접근법):
   AI 가 무엇을 해야 할지 단순히 추측하는 대신, 프로젝트 관리자와 같이 행동합니다. "지난 3 일간의 자석 간격 설정을 확인한 다음 천천히 이동시키세요"라고 말하면, AI 는 바로 뛰어들지 않습니다. 먼저 상세한 단계별 일정 (실행 계획) 을 작성합니다. 큰 요청을 작고 관리 가능한 작업으로 나눕니다:

   • 단계 1: "지난 3 일"을 이해합니다.
   • 단계 2: 자석의 특정 "주소"를 찾습니다.
   • 단계 3: 이전 데이터를 다운로드합니다.
   • 단계 4: 자석을 이동시키는 코드를 작성합니다.
   • 단계 5: 결과를 그립니다.

2. "제한된 도구" 안전망:
   이것이 가장 중요한 부분입니다. AI 를 거대한 장난감 가게에 있는 아이라고 상상해 보세요. 보통은 비싼 장난감을 부술까 봐 걱정합니다. 하지만 이 AI 는 특정 잠긴 도구 상자를 받습니다. 허용된 도구만 사용할 수 있습니다.

   • 데이터를 보기 위한 "읽기 전용" 도구가 있습니다.
   • 자석을 이동시키는 "쓰기" 도구가 있지만, 오직 인간 감독자 (운영자) 가 먼저 엄지손가락을 들어주면 사용할 수 있습니다.
   • 이해하지 못하는 것을 건드리며 돌아다니지 못합니다. 이렇게 하면 AI 가 실수를 하더라도 기계를 마비시킬 수 없습니다.

3. "마법" 워크플로우:
   실제 테스트에서 사용자는 AI 에게 "지난 3 일간의 최소/최대 간격 값을 가져온 다음, 빔을 측정하면서 자석을 앞뒤로 이동시키는 스크립트를 작성하고, 마지막으로 그래프를 그리세요"라고 요청했습니다.

   • 옛 방식: 인간 전문가는 몇 시간을 spent 하여 코드를 작성하고, 오류를 확인하며, 테스트했습니다.
   • 새 방식: AI 는 몇 분 안에 이 모든 작업을 완료했습니다. 데이터를 찾고, 코드를 작성하고, "이동" 부분을 승인할 인간을 구한 후 실험을 실행하고 최종 그래프를 자동으로 그렸습니다.

결과: 위험 없이 속도

이 논문은 이 시스템이 전문가가 수동으로 수행하는 경우보다 복잡한 작업의 준비 시간을 100 배(두 자릿수) 빠르게 만들었다고 주장합니다.

이렇게 생각해 보세요. 과거에 기계에서 특정 보고서를 얻는 것은 숟가락으로 터널을 수동으로 파는 것과 같았습니다. 이제 AI 는 몇 분 만에 터널을 파는 터널 굴착기이지만, 가스 파이프를 건드리지 않도록 제어 장치 옆에 인간 안전 요원이 서 있습니다.

왜 이것이 중요한가

저자들은 이것이 단순히 멋진 트릭이 아니라 "청사진"이라고 말합니다. 그들은 엄격한 계획, 제한된 도구 세트, 그리고 위험한 동작을 이중 확인하는 인간이 제공되는 한, 이러한 언어를 구사하는 똑똑한 AI 에이전트를 어떤 것을 부술지 모를 고위험 환경 (예: 입자 가속기) 에서 사용할 수 있음을 증명했습니다.

이 논문은 이것이 의료 치료나 다른 분야에서 작동한다고 주장하지 않습니다. 구체적으로 이 특정 입자 가속기에서 물리 실험을 운영하는 데 작동함을 보여줍니다.

기술 요약

"대규모 사용자 시설에서의 다단계 물리 실험을 위한 에이전트형 AI"에 대한 상세한 기술 요약입니다.

1. 문제 제기

로런스 버클리 국립연구소의 고급 광원 (ALS) 과 같은 입자 가속기는 다학제적 팀의 지속적인 감독이 필요한 매우 복잡한 과학 장비입니다.

• 운영 복잡성: 제어 시스템은 23 만 개 이상의 프로세스 변수 (PV) 를 노출합니다. 문제 해결 및 고급 튜닝은 종종 맞춤형 스크립팅, 깊은 도메인 지식, 그리고 즉흥적인 데이터 분석을 요구합니다.
• 고위험성: 실수 (예: 잘못된 자석 설정 또는 RF 매개변수) 는 30 분에서 수 시간에 이르는 장기 가동 중단, 빔 손실, 또는 하드웨어 손상을 초래할 수 있으며, 이는 40 개 이상의 빔라인에 걸쳐 진행 중인 수십 개의 실험에 영향을 미칩니다.
• 비효율성: 비정기적 작업을 준비하는 것은 상당한 인지 부하와 준비 시간을 수반합니다. 운영자들은 종종 전문가에 의존하여 병목 현상을 초래합니다.
• 기존 AI 의 한계: 가속기에서 대규모 언어 모델 (LLM) 을 사용하려는 이전 시도는 단일 작업 시연, 개념적 로드맵, 또는 시뮬레이션 환경으로 제한되었습니다. 이들은 생산 환경에 필요한 안전성, 감사 가능성, 그리고 다단계 오케스트레이션이 부족했습니다.

2. 방법론: 가속기 어시스턴트

저자들은 생산 싱크로트론에 배치된 최초의 언어 모델 기반 에이전트형 AI 시스템인 **가속기 어시스턴트 (Accelerator Assistant)**를 제시합니다. 이 시스템은 자연어 프롬프트를 구조화되고 재현 가능한 실험 절차로 변환합니다.

핵심 아키텍처

이 시스템은 Alpha Berkeley 프레임워크에 기반한 모듈식, 기능 중심 설계를 따릅니다.

• 입력 처리: 자연어 쿼리는 구조화된 작업 설명으로 정규화됩니다. 외부 지식 (사용자 메모리, 문서, 가속기 데이터베이스) 은 용어를 구체화하는 데 사용됩니다.
• 동적 기능 선택: 전체 도구 목록을 모델에 입력하는 대신, 시스템은 현재 작업과 관련된 특정 도구 (기능) 를 분류하기 위해 ReAct 스타일 에이전트를 사용합니다. 이는 프롬프트 과부하를 방지하고 확장성을 보장합니다.
• 계획 우선 오케스트레이션: 어떤 도구를 실행하기 전에 시스템은 완전하고 검사 가능한 실행 계획을 생성합니다. 이 계획은 입력 - 출력 의존성을 명시적으로 인코딩하며 안전 게이트를 위한 체크포인트 역할을 합니다.
• 제한된 도구 접근 및 안전:
  • 읽기 전용 모드: 분석 및 시각화를 위한 기본 모드입니다.
  • 쓰기 가능 모드: 가속기 하드웨어와 상호작용하기 전에 명시적인 운영자 승인 (human-in-the-loop) 이 필요합니다.
  • PV 해결: 전용 "PV Finder" 서브시스템은 **MATLAB Middle Layer (MML)**의 정규화된 내보내기를 사용하여 자연어 용어 (예: "ID 갭") 를 엄격하게 제한된 API 를 통해 정확한 EPICS 채널 이름으로 매핑합니다.
• 실행 환경:
  • 코드 생성은 세 단계로 분해됩니다: (1) 고수준 계획, (2) 예상 결과를 위한 JSON 스키마 정의, (3) 최소한의 Python 코드 생성.
  • 스크립트는 재현성과 격리를 보장하기 위해 **컨테이너화된 Jupyter 커널 (Podman)**에서 실행됩니다.
  • 하이브리드 추론: 낮은 지연 시간/보안을 위한 로컬 추론 (H100 GPU 에서 Ollama 사용) 과 최첨단 모델 접근을 위한 클라우드 추론 (CBorg 게이트웨이 경유) 을 지원합니다.

워크플로우 단계

1. 시간 범위 파싱: 경량 모델이 "지난 3 일"과 같은 시간적 구문을 해석합니다.
2. 채널 찾기: MML 데이터베이스를 사용하여 사용자 의도를 특정 PV 로 해결합니다.
3. 아카이버 검색: 과거 시계열 데이터를 가져옵니다.
4. 데이터 분석 및 스크립트 생성: 데이터를 분석하거나 기계를 제어하기 위한 Python 코드를 생성합니다.
5. 시각화: 플롯과 Jupyter 노트북을 생성합니다.

3. 주요 기여

• 최초의 생산 배포: 라이브 싱크로트론 광원에서의 최초의 자율적, 다단계 물리 실험 실행을 시연합니다.
• 안전 인식 에이전트형 AI: "계획 우선" 논리, 제한된 도구 접근, 쓰기 작업에 대한 필수 인간 승인을 강제함으로써 LLM 을 고위험 환경에 통합하기 위한 청사진을 수립합니다.
• 모듈식 오케스트레이션: 기능이 동적으로 선택되고 구성되는 확장 가능한 아키텍처를 도입하여 시스템이 재학습 없이 복잡한 작업을 처리할 수 있도록 합니다.
• 재현성 및 감사 가능성: 모든 실행은 로그, JSON 출력, Jupyter 노트북, 생성된 모니터링 패널과 같은 구조화된 산출물을 생성하여 감사 및 디버깅을 위한 완전한 출처 추적 경로를 만듭니다.
• 이식성: 널리 사용되는 MML 데이터 모델에 대한 의존성은 이 접근 방식을 최소한의 적응으로 다른 저장 링 및 대규모 과학 인프라에 이전 가능하게 만듭니다.

4. 결과

이 시스템은 **삽입 장치 (IDs)**와 관련된 대표적인 기계 물리 작업에서 테스트되었습니다:

• 작업: 지난 3 일간의 최소/최대 ID 갭 값을 검색하고, 이 값들 사이의 갭을 스윕하는 스크립트를 작성하며, 빔라인 3.1 에서 수직 빔 크기를 측정 (30 개 지점, 5Hz 샘플링) 하고, 히스테리시스 플롯을 생성합니다.
• 성능:
  • 시간 단축: 숙련된 운영자와 비교하여 준비 시간이 **두 자리 수 (orders of magnitude)**만큼 단축되었습니다 (수 시간의 수동 스크립팅 및 디버깅에서 몇 분으로).
  • 안전: 모든 운영자 표준 안전 제약 조건이 엄격히 준수되었으며, 무단 하드웨어 변경은 발생하지 않았습니다.
  • 출력 품질: 시스템은 일관되고 출판 준비가 된 플롯을 성공적으로 생성하여 유의미한 빔 크기 히스테리시스의 부재를 확인했습니다.
• 산출물 생성: 시스템은 실시간 모니터링을 위한 CS-Studio Phoebus Data Browser 파일을 자동으로 생성하여 수동 PV 조회 및 데이터 입력을 제거했습니다.

5. 중요성

이 연구는 대규모 과학 시설의 운영에서 패러다임 전환을 나타냅니다:

• 전문성 민주화: 복잡한 기계 물리 작업의 진입 장벽을 낮추어 운영자가 복잡한 스크립트를 처음부터 작성할 필요 없이 자연어를 통해 정교한 실험을 수행할 수 있게 합니다.
• 운영 효율성: "접착제 코드 (glue code)"와 데이터 검색을 자동화함으로써 기계 가용성과 과학적 처리량을 극대화합니다.
• 신뢰할 수 있는 AI: 자율 에이전트의 힘과 엄격한 안전 프로토콜 사이의 균형을 유지하면서 AI 를 핵심 인프라에 안전하게 통합할 수 있는 구체적인 프레임워크를 제공합니다.
• 광범위한 영향: 시연된 원칙들 (계획 우선, 제한된 도구, 산출물 생성) 은 핵융합 에너지, 망원경, 그리고 기타 복잡한 과학 사용자 시설과 같은 다른 분야로 직접 이전 가능합니다.