기술 요약: 재료 과학을 위한 에이전트 지능(Agentic Intelligence)을 향하여

문제 정의

인공지능(AI)과 재료 과학의 융합은 변혁적인 잠재력을 제공하지만, 현재의 접근 방식은 심각한 단절에 직면해 있다. 기존 시스템은 주로 정적인 데이터셋에 반응적으로 작동하는 **태스크 고립형 미세 조정 모델(task-isolated, fine-tuned models)**에 의존한다. 이러한 모델들은 프록시 벤치마크(예: 물성 예측, 정보 추출)에서는 높은 성능을 달 수 있지만, 실제 환경에서 실질적인 발견 성과로 이어지는 데는 실패한다. 핵심 문제는 상류의 설계 선택(데이터 큐레이션, 사전 학습 목적 함수)과 하류의 실험적 성공을 연결하는 통합된 엔드 투 엔드(end-to-end) 프레임워크의 부재이다. 현재의 재료 과학용 AI는 장기적 추론(long-horizon reasoning), 다중 스케일/다중 모달 데이터의 원활한 통합, 그리고 합성 가능성, 안전성 및 실험적 검증이 학습 과정을 주도하는 폐쇄 루프 발견 사이클(closed-loop discovery cycles) 내에서 작동하는 능력이 부족하다. 또한, 정적인 벤치마크에 대한 의존은 궁극적인 목표인 새롭고 유용하며 안전한 재료를 발견하는 것과 일치하지 않는 "보상 해킹(reward hacking)"이나 대리 지표(surrogate metrics)의 최적화를 초래한다.

방법론: 파이프라인 중심적 관점

본 서베이는 재료 발견을 일련의 고립된 태스크가 아니라 하나의 학습 가능한 엔드 투 엔드 시스템으로 재정의하는 **파이프라인 중심적 관점(pipeline-centric perspective)**을 제안한다. 방법론은 다음과 같다:

1. 통합 프레임워크: 코퍼스 큐레이션 및 사전 학습부터 도메인 적응, 인스트럭션 튜닝, 목표 조건부 에이전트 실행에 이르기까지 전체 발견 루프를 하나의 결합된 시스템으로 취급한다.
2. 신용 할당(Credit Assignment): 실제 세계의 발견 결과(합성 또는 검증에서의 성공과 실패)가 주요 보상 신호 역할을 수행하도록 하는 메커니즘을 구현한다. 이러한 신호는 파이프라인을 역방향으로 전파되어 사전 학습 코퍼스, 샘플링 전략 및 정렬 목적 함수를 포함한 상류 구성 요소들을 조정한다.
3. 에이전트 시스템: 수동적이고 반응적인 모델에서 계획, 행동, 학습이 가능한 **에이전트형 LLM(agentic LLMs)**으로 전환한다. 이 에이전트들은 도구(시뮬레이션, 로봇 실험실, 데이터베이스)를 활용하며 장기적 목표를 처리하기 위한 메모리를 보유한다.
4. 비교 분석: 본 논문은 세 가지 가이드 질문을 통해 분야를 체계적으로 검토한다:
   • Q1 (에이전시의 진화): 수동적 프로세서에서 에이전트 시스템으로의 변화를 추적한다.
   • Q2 (단계 중심적 접근의 한계): 왜 반응적 태스크(예측, 마이닝, 생성)에서의 높은 벤치마크 점수가 자율적 발견을 보장하지 못하는지 분석한다.
   • Q3 (엔드 투 엔드 간극): 현재의 AI와 완전한 자율 파이프라인 사이의 역량 격차를 식별한다.

본 서베이는 딥러닝, 파운데이션 모델, 강화 학습(RL), 그리고 재료 과학의 통찰력을 통합하여, 영향 함수(influence functions), 다중 충실도 학습(multi-fidelity learning), 물리 기반 해석 가능성과 같은 개념들이 시뮬레이션과 현실 사이의 간극을 메우기 위해 어떻게 활용될 수 있는지 평가한다.

주요 기여

1. 발견 파이프라인의 재개념화

본 논문은 사전 학습이 고정된 일회성 초기화가 아니라, 하류의 발견 성능에 따라 반복적으로 수정될 수 있는 제어 가능한 모듈이라는 새로운 관점을 도입한다. 일반적인 사전 학습 코퍼스는 일반적인 언어 지표가 아니라, 궁극적인 목표(새로운 재료 발견)에 대한 기여도를 기준으로 평가되어야 한다고 주장한다.

2. 반응적 태스크에 대한 비판적 분석

본 서베이는 전통적인 "반응적" 태스크의 최신 기술을 상세히 설명하면서도 에이전트 맥락에서의 한계를 강조한다:

• 예측(Prediction): LLM과 하이브리드 GNN-Transformer는 물성 회귀 및 분류에서 뛰어나지만, 도메인 변화(domain shifts)에 취약하며 합성 제약이나 안전 제한을 동적으로 통합하는 능력이 부족한 경우가 많다.
• 마이닝(Mining): 자동화된 추출 및 지식 그래프 구축이 발전하고 있으나, 발견 수준의 목적 함수와 결합되지 않으면 여전히 반응적 모듈로 기능할 뿐이다.
• 생성(Generation): 결정 구조 등에 대한 현재의 생성 모델은 빈번하게 대리 검증기(surrogate validators)에 의존하며 폐쇄 루프 검증이 부족하여, 이론적으로는 안정적이지만 실험적으로는 실행 불가능한 후보를 생성하곤 한다.
• 설명 가능성(Explainability): 본 논문은 설명 가능성을 물리적 타당성, 충실성(faithfulness), 안정성으로 분류한다. 희소 모델(sparse models)과 어텐션 메커니즘이 통찰력을 제공하지만, 가설 수정을 위한 견고하고 인과적인 설명을 제공하는 데는 종종 실패한다는 점을 지적한다.

3. "과학자 AI" 및 에이전트 워크플로우 정의

본 논문은 다음과 같은 특징을 가진 **과학자 AI(Scientist AI)**로의 전환을 개괄한다:

• 가설 생성: 패턴 매칭을 넘어 검증 가능한 기계론적 가설을 생성한다.
• 비판적 사고: 불확실성, 상충하는 증거, 다중 목적 트레이드오프를 처리하기 위해 "System 2" 스타일의 추론을 구현한다.
• 불확실성 하의 계획: 정보 이득이나 가설 판별을 극대화하는 실험을 선택하기 위해 능동 학습(active learning)과 베이지안 최적화를 활용한다.
• 가설 수정: 설명을 사용하여 내부 모델을 업데이트하고 새로운 증거를 바탕으로 과학적 이론을 정교화한다.

4. 인간-AI 협업 및 안전

본 서베이는 인간이 목표를 정의하고 결과를 평가하는 동안 에이전트가 실행과 정교화를 담당하는 인간-AI 협업 네트워크의 필요성을 강조한다. 또한, 에이전트 시스템이 재료 발견의 오용(예: 유해 물질 생성)을 방지하도록 설계되어야 하며 엄격한 물리적, 윤리적 제약 내에서 작동해야 한다는 안전 및 거버넌스 문제를 다룬다.

결과 및 조사 내용

• 벤치마크 vs. 현실: 정적인 벤치마크(예: 밴드갭 예측 또는 합성 파라미터 추출)에서의 높은 성능이 자율적 발견의 성공과 선형적으로 상관되지는 않는다. 대리 보상은 실험적 제약(예: 장비 제한, 노이즈, 합성 가변성)의 복잡성을 포착하는 데 종종 실패한다.
• 에이전시의 간극: 현재의 시스템은 대체로 파편화되어 있다. 개별 모듈(예측기, 플래너, 검증기)은 존재하지만, 이를 하나의 응집력 있고 목표 지향적인 루프로 통합하여 실제 피드백으로부터 학습하는 사례는 드물다.
• 데이터 희소성 및 이질성: 이 분야는 고품질의 표준화된 다중 모달 데이터셋 부족 문제를 겪고 있다. 데이터 증강 및 다중 충실도 학습과 같은 기술이 도움이 되지만, 발견 요구에 따라 데이터 선택을 동적으로 조정할 수 있는 파이프라인 없이는 불충분하다.
• 시뮬레이션 vs. 현실: 시뮬레이션(예: DFT)에서만 학습된 에이전트는 "현실 격차(reality gap)"로 인해 실제 실험실로 일반화하는 데 어려움을 겪는다. 본 논문은 강건한 에이전트를 훈련하기 위해 로봇 실험실과의 폐쇄 루프 통합이 필수적이라고 주장한다.

의의 및 주장

본 논문은 분야가 정적, 단계 중심적 최적화에서 동적, 파이프라인 중심적 최적화로 전환해야 한다고 주장한다. 그 의의는 다음과 같다:

1. 공유된 프레임워크 제공: AI 및 재료 과학 커뮤니티 간의 용어, 평가 및 워크플로우를 정렬하기 위한 통일된 렌즈를 제공한다.
2. 성공의 재정의: AI의 궁극적인 지표는 단순한 벤치마크 점수가 아니라 새롭고 유용하며 안전한 재료를 자율적으로 생성하는 것이어야 한다고 주장한다.
3. 자율성을 향한 로드맵: 개방형 실험 환경에서 작동할 수 있는 안전 인지형 에이전트 LLM을 개발하기 위한 실질적인 로드맵을 제시한다.
4. 시스템 수준의 설계: 전체 발견 파이프라인을 하나의 학습 가능한 시스템으로 취급하여, 신용 할당이 실제 결과로부터 사전 학습 및 데이터 큐레이션으로 흘러 들어가 모든 구성 요소가 궁극적인 과학적 목표에 정렬되도록 할 것을 권고한다.

저자들은 현재의 에이전트 시스템이 상당한 진전을 보여주고 있으나, 진정한 자율적 발견을 달키 위해서는 엔드 투 엔드 신용 할당, 견고한 인간-AI 협업, 그리고 신뢰할 수 있고 안전이 정렬된 에이전트 개발을 통해 시뮬레이션과 현실 사이의 간극을 메워야 한다고 결론짓는다.