[기술 요약] Polymer-Agent: 고분자 설계를 위한 대규모 언어 모델(LLM) 에이전트

1. 문제 정의 (Problem Statement)

고분자(Polymer) 소재 개발은 바이오메디컬부터 강화 재료에 이르기까지 산업 전반에서 필수적이지만, 새로운 구조를 발견하는 과정이 매우 고통스럽습니다.

• 시행착오의 비용: 실험적 방식은 막대한 시간과 자원이 소모되는 'Trial-and-error' 방식에 의존합니다.
• 기존 ML의 한계: 머신러닝(ML)이 물성 예측 및 잠재 공간(Latent space) 탐색을 가속화하고 있으나, 실험실 연구자들이 복잡한 코드나 모델 인프라에 직접 접근하여 개별 구조와 물성을 추출하기는 어렵습니다.
• 도구의 파편화: 기존의 생성 모델, 예측 모델, 최적화 알고리즘들이 서로 분리되어 있어, 실제 연구 흐름(Workflow)에 통합된 유기적인 사용이 어렵습니다.

2. 연구 방법론 (Methodology)

본 논문은 LLM의 추론 능력과 외부 도구를 결합한 에이전트 기반의 폐쇄 루프(Closed-loop) 프레임워크인 Polymer-Agent를 제안합니다.

• 에이전트 아키텍처 (Agentic AI & MCP): Anthropic의 **Model Context Protocol (MCP)**을 활용하여 LLM(Gemini 등)을 '두뇌'로 사용합니다. LLM은 사용자의 자연어 명령을 해석하고, 필요한 도구(생성 모델, 예측 모델)를 호출하며, 결과를 인간이 이해할 수 있는 형태로 전달합니다.
• 핵심 구성 요소:
  1. SMILES 생성 (Generative Model): Molecule Chef 모델을 확장하여 사용자가 원하는 물성(Target property)을 가진 고분자 SMILES 구조를 생성합니다. 이때, 합성 가능성을 높이기 위해 SA Score(합성 용이성)와 SC Score(합성 복잡도)를 가이드로 사용하여 실제 실험실에서 제조 가능한 단량체 수준의 구조를 생성하도록 유도합니다.
  2. 물성 예측 (Property Prediction): TransPolymer 모델(Transformer 기반)을 사용하여 생성된 SMILES의 물성(전자 친화도, 밴드갭, 전기 전도도, 유전 상수 등)을 예측합니다.
  3. 인간 참여형 루프 (Human-in-the-loop): 사용자는 자연어 대화를 통해 생성된 구조를 수정하거나, 특정 물성 범위를 지정하여 최적화를 지속할 수 있습니다.
• 데이터셋: OMG(Open Macromolecule Genome) 데이터베이스를 활용하여 1,200만 개의 반복 단위(CRU)를 포함하는 대규모 합성 가능 데이터베이스를 구축하고 모델을 미세 조정(Fine-tuning)했습니다.

3. 주요 기여 (Key Contributions)

• 통합 워크플로우 제공: 구조 생성, 물성 예측, 구조 수정을 하나의 터미널 환경에서 자연어로 수행할 수 있는 엔드-투-엔드 파이프라인을 구축했습니다.
• 합성 가능성 중심 설계: 단순히 화학적으로 유효한 구조를 만드는 것을 넘어, SC/SA Score를 통해 실제 합성 가능한 구조를 우선적으로 제안합니다.
• 다중 물성 최적화 (Multi-property Optimization): 단일 물성뿐만 아니라 여러 물성 간의 제약 조건을 동시에 고려하는 최적화 기능을 제공합니다.
• MCP 기반 확장성: 새로운 모델이나 도구가 개발되면 MCP 서버를 통해 에이전트에 쉽게 통합할 수 있는 구조를 가집니다.

4. 연구 결과 (Results)

• 성능 검증: Polymer-Agent의 예측 결과는 기존의 오픈 소스 플랫폼인 Polymer Genome과 비교했을 때 유사하거나 경쟁력 있는 정확도를 보였습니다.
• 물성 타겟팅 성공: 전기 전도도(Electrical conductivity)를 타겟으로 설정했을 때, 사용자가 원하는 특정 물성 값에 근접한 새로운 고분자 구조를 성공적으로 생성했습니다.
• 구조적 정교함: Multi-property head를 사용할 경우, 단일 물성 최적화보다 더 복잡하고 정교한 화학 구조(예: 시아노 치환된 방향족 고리 등)를 제안하여 실제 재료 설계에 유용한 통찰을 제공했습니다.
• 데이터 분포: 생성된 구조들이 낮은 SC Score(평균 1.93)를 유지하여, 이론적인 구조에 그치지 않고 실제 합성 가능성이 높음을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

Polymer-Agent는 **"컴퓨터 과학과 실험 화학 사이의 간극을 메우는 도구"**로서 큰 의의를 가집니다.
전문적인 코딩 지식이 없는 실험실 연구자들도 자연어 인터페이스를 통해 고성능 AI 모델을 활용하여 신규 고분자를 설계할 수 있게 함으로써, 고분자 소재 발견의 속도를 획기적으로 높일 수 있는 가능성을 제시했습니다. 이는 향후 더 방대한 데이터셋과 다양한 시뮬레이션 도구(분자 동역학 등)가 통합됨에 따라 더욱 강력한 소재 설계 플랫폼으로 진화할 것으로 기대됩니다.