🔬 materials science

AGAPI-Agents: An Open-Access Agentic AI Platform for Accelerated Materials Design on AtomGPT.org

이 논문은 외부 데이터베이스와 시뮬레이션 워크플로우를 활용함으로써 재료 특성 예측에서 수치적 정밀도를 달una하고 암기 저항성이 있는 새로운 데이터셋에서 도구 없는 모델을 크게 능가하는, 여러 거대 언어 모델을 과학적 도구와 통합한 오픈 액세스 에이전틱 AI 플랫폼인 AGAPI를 소개한다.

원저자: Jaehyung Lee, Justin Ely, Kent Zhang, Akshaya Ajith, Charles Rhys Campbell, Kamal Choudhary

게시일 2026-07-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jaehyung Lee, Justin Ely, Kent Zhang, Akshaya Ajith, Charles Rhys Campbell, Kamal Choudhary

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 초강력 금속이나 더 나은 태양전지처럼 새로운 재료가 어떻게 작동하는지에 대한 복잡한 퍼즐을 풀려고 한다고 상상해 보세요. 과거에는 두 가지 주요 선택지가 있었습니다:

"천재적 접근법": 매우 똑똑한 AI(대규모 언어 모델)에게 자신의 기억으로부터 답을 하라고 요청합니다. 이 AI는 수백만 권의 책과 논문을 읽었으므로 아는 것이 많습니다. 하지만 특정 퍼즐 조각이 희귀하거나, 몇 년 전에 배웠던 사실이 약간 틀린 것으로 밝혀진 경우라면 잘못된 추측을 할 수도 있습니다.
"도구 상자 접근법": AI에게 계산기, 데이터베이스, 시뮬레이션 기계 세트를 제공합니다. AI는 단순히 추측하는 것이 아니라, 답을 찾아보거나 정확한 수치를 얻기 위해 계산을 실행합니다.

이 논문은 AGAPI라는 새로운 오픈 액세스 플랫폼을 소개합니다. 이는 마치 과학적 오케스트라를 지휘하는 스마트한 지휘자처럼 작동합니다. 이 플랫폼은 "천재적" AI를 18가지의 서로 다른 과학적 도구(재료 특성 데이터베이스, 시뮬레이션 엔진, 단백질 구조 예측기 등)로 구성된 거대한 도구 상자와 연결합니다.

다음은 이 논문이 실제로 발견한 내용을 쉬운 비유를 사용하여 정리한 것입니다:

1. 핵심 질문: 도구 상자가 도움이 되는가?

연구진은 다음과 같은 질문을 던졌습니다: AI에게 도구 상자를 주는 것이 실제로 답변의 정확도를 높이는가, 아니면 그저 노이즈(잡음)만 더하는 것인가?

그들은 재료 과학 문제들을 통해 이를 테스트했습니다. 그 결과, 답은 AI가 무엇을 예측하려고 하는지, 그리고 데이터가 어디에서 왔는지에 따라 완전히 달라진다는 것을 발견했습니다.

2. "완벽한 복사기" vs "결함이 있는 도서관"

연구팀은 AI가 왜 가끔 실수를 하는지에 대해 놀라운 사실을 발견했습니다.

AI는 완벽한 복사기입니다: AI가 도구 상자를 사용할 때, AI는 환각(hallucination)을 일으키거나 숫자를 지어내지 않습니다. AI는 완벽한 전달자 역할을 합니다. 만약 도구 상자가 답을 "5"라고 하면, AI는 "5"라고 말합니다.
도서관에는 오래된 책들이 있습니다: 문제는 AI나 도구 상자가 아니라, 도구 상자가 정보를 가져오는 **도서관(데이터베이스)**에 있습니다.
- 비유: AI를 시험을 치는 학생이라고 상상해 보세요. 학생은 답을 찾기 위해 교과서(데이터베이스)를 활용합니다. 만약 교과서에 오타가 있거나 낡은 공식을 사용하고 있다면, 학생은 비록 완벽하게 베껴 썼더라도 틀린 답을 적게 될 것입니다.
- 결과: "체적 탄성률"(재료의 단단함 정도)이나 "밴드갭"(전기 흐름) 같은 항목에 대해, AI는 데이터베이스로부터 수치를 정확하게 가져왔습니다. 실제 실험 결과와 일치하지 않았던 이유는 AI가 실패했기 때문이 아니라, 데이터베이스 자체가 현실과 약간 달랐기 때문입니다.

3. 도구 상자가 생명줄이 될 때 ("새로운 것" 테스트)

연구진은 AI가 학습 과정에서 본 적 없는 완전히 새롭고 만들어진 재료와 손상된 재료(예: 결정 구조에서 일부가 빠진 경우)를 이용한 특별한 테스트를 수행했습니다.

도구 없이: AI는 기억에 의존해 추측하려 했습니다. 그리고 처참하게 실패했습니다(마치 자동차의 무게를 맞추기 위해 자전거의 무게를 추측하는 것과 같았습니다).
도구와 함께: AI는 이 새로운 재료들의 특성을 계산하기 위해 도구 상자를 사용했습니다. 그리고 거의 완벽하게 정답을 맞혔습니다.
교훈: AI가 한 번도 본 적 없는 것에 대해서는 도구 상자가 필수적입니다. AI는 가능한 모든 새로운 재료를 다 "암기"할 수 없으므로, 반드시 도구를 사용하여 답을 계산해야 합니다.

4. "스마트 스위치" (적응형 선택)

논문은 AI가 모든 질문에 대해 맹목적으로 도구 상자를 사용해서는 안 된다고 제안합니다. AI는 언제 도구를 사용해야 할지 똑똑하게 판단해야 합니다.

시나리오 A: 교과서에 잘 기록되어 있는 매우 흔한 재료(예: 소금)에 대해 질문한다면, 데이터베이스가 약간 구식의 계산 방식을 사용할 수 있기 때문에 오히려 AI의 기억이 더 정확할 수 있습니다.
시나리오 B: 이상하거나, 새롭거나, 손상된 재료에 대해 질문한다면, AI의 기억은 쓸모가 없으며 반드시 도구를 사용해야 합니다.

저자들은 AI가 스마트한 사서처럼 행동하는 미래 버전을 제안합니다. 즉, "내가 이것을 기억으로부터 충분히 잘 알고 있는가, 아니면 정답을 얻기 위해 참고 문헌 섹션(데이터베이스)으로 가야 하는가?"를 스스로 체크하는 것입니다.

5. "로봇 셰프" (자율적 워크플로우)

마지막으로, 그들은 AI가 인간의 도움 없이도 복잡하고 여러 단계로 이루어진 작업을 스스로 수행할 수 있음을 보여주었습니다.

비유: 단순히 "케이크를 어떻게 굽나요?"라고 묻는 대신, "새로운 종류의 배터리를 설계하고, 그것이 안정적인지 확인하고, 현미경으로 어떻게 보이는지 시뮬레이션한 뒤, 열에 어떻게 반응할지 알려달라"고 말하는 것과 같습니다.
AI는 10단계의 과정을 성공적으로 수행했습니다: 재료를 찾고, 모델을 구축하고, 결함을 테스트하기 위해 구조를 깨뜨리고, 이를 다시 수정하고, X-선으로 어떻게 보일지 시뮬레이션하고, 그 특성을 계산하는 과정을 한 번에 진행했습니다.

요 요약

AGAPI는 AI 과학자들이 단순히 추측하는 대신 실제 도구를 사용할 수 있게 해주는 플랫폼입니다.

좋은 소식: AI는 이러한 도구들을 매우 정확하게 사용하는 능력이 뛰어납니다.
주의 사항: 만약 도구가 현실과 약간 다른 데이터를 가진 데이터베이스에서 정보를 가져온다면, AI는 정확하지만 틀린 답을 내놓을 수 있습니다. 오류는 AI가 아니라 소스 데이터에서 발생합니다.
최적의 용도: 이 시스템은 AI가 기억에 의존할 수 없는 새로운 미지의 재료를 다룰 때 게임 체인저가 됩니다.

이 플랫폼은 누구나 사용할 수 있도록 공개되어 있으며, 똑똑한 AI와 훌륭한 과학적 도구 세트를 결래했을 때 새로운 재료의 발견을 어떻게 가속화할 수 있는지 증명합니다.

기술 요약: AGAPI-Agents

문제 정의
대규모 언어 모델(LLM)과 외부 과학 도구의 통합(에이전트형 AI)은 재료 발견을 가속화하기 위한 방안으로 점점 더 많이 제안되고 있다. 그러나 도구 접근이 실제로 예측 정확도를 향상시키는지, 아니면 오히려 오류를 유발하는지에 대한 근본적인 이해에는 격차가 존재한다. 도구 증강이 보편적으로 유익할 것이라는 현재의 가정은 기초 데이터베이스의 체계적 오류(예: DFT 기능적 편향)와, 잘 규명된 재료에 대해서는 LLM의 파라미터 지식이 특정 데이터베이스 항목보다 성능이 뛰어날 가능성, 그리고 다단계 체인에서의 오류 전파 위험 등으로 인해 복잡해진다. 또한, 기존 프레임워크는 비결정론적인 API 업데이트가 발생하는 상용 LLM에 의존하는 경우가 많아 재현성을 저해한다.

방법론
저자들은 재료 과학 분야에서 에이전트 워크플로우를 엄격하게 평가하고 실행하기 위해 설계된 오픈 액세스 플랫폼인 AGAPI(AtomGPT.org API)를 제시한다.

아키텍처: AGAPI는 3계층 아키텍처를 활용한다: (1) 50개의 사용자용 웹 앱, (2) 28개의 LLM 호출 가능 에이전트 도구(Python 래퍼), (3) 18개의 REST API 엔드포인트. 이 엔드포인트들은 JARVIS-DFT, ALIGNN(그래프 신경망), ALIGNN-FF 및 CHIPS-FF(힘의 장), SlaKoNet(타이트 바인딩), XRD 분석(DiffractGPT), 단백질 구조 예측(ESMFold)을 포함한 다양한 자원을 통합한다.
에이전트 설계: 시스템은 OpenAI Agents SDK를 기반으로 구축된 Planner-Executor-Summarizer 루프를 사용하는 단일 에이전트 아키텍처를 채택한다. 재현성을 위해 버전 고정 및 결정론적 샘플링을 통해 자체 호스팅되는 오픈 소스 LLM(기본값 GPT-OSS-20B)을 사용한다.
평가 전략: 핵심 방법론적 기여는 JARVIS-Leaderboard 전자 구조 테스트 세트에 적용된 **3단계 평가 잔차 분해(three-evaluation residual decomposition)**이다. 이는 오류를 세 가지 구성 요소로 분리한다:
1. 에이전트 대 데이터베이스(Agent-vs-Database): 에이전트 파이프라인의 충실도(에이전트가 도구의 출력을 올바르게 검색하고 보고하는가?).
2. 데이터베이스 대 실험(Database-vs-Experiment): 기초 DFT 기능적(functional)의 상속된 편향.
3. 에이전트 대 실험(Agent-vs-Experiment): 도구가 증강된 시스템의 총 오차.
테스트 세트: 평가는 표준 JARVIS-Leaderboard 세트(밴드갭, 벌크 탄성률, 초전도 $T_c$ , SLME, 유전 상수)와 두 가지 "기억 저항성(memorization-resistant)" 세트인 DEF-57(결함 슈퍼셀) 및 HYP-60(가설적 조성)을 포함한다. 이들은 LLM의 학습 분포를 벗어나도록 설계되었다.

주요 결과

파이프라인 충실도: 벌크 탄성률과 밴드갭에 대해, 에이전트는 수치적 정밀도로 JARVIS-DFT 항목을 재현하였다(MAE = 0.0). 이는 실험 참조값에 대한 이러한 물성의 오류가 에이전트의 오작동이 아니라, 데이터베이스 내 DFT 기능적의 편향에서 비롯됨을 확인시켜 준다.
물성별 성능:
- 벌크 탄성률 및 유전 상수: 도구 증강은 실험 대비 정확도를 각각 27%와 46% 개선하였으며, 이는 LLM이 강력한 파라미터 사전 지식을 갖지 못하거나 데이터베이스가 정확할 때 도구의 가치를 확인시켜 준다.
- 밴드갭, $T_c$ , 및 SLME: 도구가 증강된 평균 절대 오차(MAE)는 이러한 물성에 대해 도구가 없는 예측보다 높았다.
  - 밴드킵: 오차는 밴드갭을 과소평가하는 특정 DFT 기능적(OptB88vdW/MBJ) 때문인 것으로 밝혀졌다. 에이전트를 변경하지 않고 HSE06으로 교체하는 것만으로 오차가 크게 감소했다.
  - 초전도 $T_c$ : 에이전트는 0이 아닌 '에이전트 대 데이터베이스' 잔차를 나타냈으며, 때때로 검색된 DFT 값을 잘 알려진 재료(예: MgB2, Nb3Sn)에 대해 실험에 더 가까운 파라미터 지식으로 대체하였다.
  - SLME: 상위 단계의 DFT 오차가 파생 속성인 SLME에서 곱셈적으로 전파되어 오차가 증폭되었다.
기억 저항성 평가: DEF-57 및 HYP-60(결함 및 가설적 구조)에서, 도구가 없는 LLM은 교과서적인 호스트 값 주변에 군집하며 처참하게 실패했다(MAE > 1.25 eV). 반면, 도구가 증강된 에이전트는 거의 완벽한 정확도(MAE < 0.003 eV)를 달려, 파라미터 지식을 사용할 수 없을 때 도구가 필수적임을 입증했다.
자율 워크플로우: 시스템은 데이터베이스 검색, 슈퍼셀 구축, 구조 완화, XRD 시뮬레이션, 물성 계산을 포함하는 10단계 반도체 결함 분석 파이프라인 및 자율적 이종 구조 계면 구축과 같은 복잡한 다단계 워크플로우를 성공적으로 수행했다.

핵심 기여

AGAPI 플랫폼: 재료 데이터베이스, 힘의 장, 시뮬레이션 코드를 아우르는 28개의 도구와 8개의 오픈 소스 LLM을 통합한 오픈 액세스 방식의 재현 가능한 에이전트형 플랫폼.
정량적 오차 분해: 도구 증강 예측과 도구 미사용 예측을 비교하여 에이전트 파이프라인의 충실도와 상속된 데이터베이스 편향을 명시적으로 분리한 최초의 병행 정량적 비교.
도구 효용성에 대한 경험적 증거: 도구 증강이 항상 우월한 것은 아니라는 점을 입증하였다. 그 이점은 특정 물성, 기초 DFT 기능적의 정확도, 그리고 LLM 학습 코퍼스 내 해당 재료의 문서화 정도에 따라 달라진다.
적응형 도구 선택 제안: 잔차 분해를 바탕으로, 기대되는 '데이터베이스 대 실험' 잔차가 기대되는 '파라미터 지식 오차'보다 작을 때만 에이전트가 동적으로 도구를 호출하도록 결정하는 적응형 도구 선택 메커니즘을 제안한다.

의의
본 논문은 "에이전트 오작동"과 "데이터베이스-기능적 불일치"를 구분하기 위한 최초의 엄격한 프레임워크를 제공한다고 주장한다. 연구는 잘 규명된 재료의 경우 LLM의 파라미터 지식이 때때로 특정 데이터베이스 항목보다 뛰어날 수 있는 반면, 새롭거나 결함이 있는 구조에서는 도구가 필수적임을 확립한다. 이러한 오류 원인을 격리함으로써, AGAPI는 "더 많은 도구가 더 나은 정확도를 의미한다"는 가정을 넘어, 도구의 신뢰성과 모델의 능력을 함께 고려하는 맥락 인식형 적응적 에이전트 전략을 옹호하며 재료 설계 분야를 진전시킨다. 본 플랫폼과 평가 방법론은 신뢰할 수 있는 AI 기반 재료 설계를 가속화하기 위해 공개된다.