[기술 요약] MKNA: 자연어 기반의 자율적 재료 발견 에이전트

1. 문제 정의 (Problem Statement)

새로운 고성능 재료를 발견하는 과정은 에너지, 전자, 항공우주 분야의 혁신을 이끄는 핵심 요소입니다. 그러나 기존의 재료 발견 워크플로우는 다음과 같은 한계점을 가집니다:

• 파편화된 파이프라인: 데이터베이스, 머신러닝 모델, 시뮬레이션 도구들이 서로 분리되어 있어 연구자의 수동 개입이 필수적입니다.
• 지식의 단절: 기존의 자동화 시스템은 특정 단계(단순 검색 또는 단순 예측)에만 국한되어 있으며, 문헌에 담긴 과학적 맥락이나 물리적 원리를 추론하여 탐색 가이드로 활용하지 못합니다.
• 데이터의 불완전성: 데이터베이스에 원하는 물리적 특성(예: Debye 온도)이 직접적으로 기록되어 있지 않은 경우가 많아, 이를 계산하거나 추론하는 과정이 어렵습니다.

2. 방법론 (Methodology)

본 논문은 자연어 질의를 실행 가능한 과학적 행동으로 변환하는 MKNA(Materials Knowledge Navigation Agent) 프레임워크를 제안합니다. 이 시스템은 세 단계의 폐쇄 루프(Closed-loop) 워크플로우로 구성됩니다.

Stage I: 질의 및 지식 근거 설정 (Query and Knowledge Grounding)

• Map-Reduce 추출법: 사용자의 모호한 자연어(예: "높은 Debye 온도를 가진 재료를 찾아줘")를 해석하기 위해, arXiv 등 문헌 데이터베이스에서 관련 정보를 수집합니다.
• 단순한 검색(RAG)을 넘어, 문헌 내의 수치 데이터를 구조화된 JSON 형태로 추출하고 통계적 분석을 통해 **정량적 임계값(Quantitative Threshold)**을 스스로 도출합니다 (예: $\Theta_D > 800\text{ K}$).

Stage II: 데이터 및 모델 구축 (Data and Model Construction)

• 자율적 코드 생성 (LLM-driven Code Generation): 데이터베이스에 타겟 특성이 없을 경우, GPT-5-mini가 직접 Python 코드를 작성하여 관련 물리량(예: 탄성 계수)으로부터 타겟 특성(Debye 온도)을 계산하는 루틴을 생성하고 검증합니다.
• ML 모델 학습: 수집된 데이터를 바탕으로 CGCNN(Crystal Graph Convolutional Neural Networks)과 같은 그래프 신경망을 학습시켜 후보 물질을 빠르게 스크리닝할 수 있는 대리 모델(Surrogate model)을 구축합니다.

Stage III: 재료 변형 및 검증 (Material Modification and Validation)

• 치환 및 섭동 (Substitution and Perturbation): 기존 구조에 원소를 치환하거나 원자 위치를 미세하게 변화시켜 새로운 화학적 공간을 탐색합니다.
• 물리 기반 검증: ML 모델이 선별한 유망 후보군에 대해 M3GNet을 사용하여 구조 최적화(Relaxation) 및 열역학적 안정성(Energy above hull)을 정밀하게 검증합니다.

3. 주요 기여 (Key Contributions)

• 통합적 에이전트 설계: 언어적 해석, 지식 검색, 속성 예측, 구조 생성, 물리적 검증을 하나의 유기적인 루프로 통합한 최초의 프레임워크 중 하나입니다.
• 추론 가능한 설계 규칙 추출: 단순히 데이터를 찾는 것을 넘어, 문헌으로부터 물리적 가이드라인을 스스로 학습하고 이를 탐색 전략에 반영합니다.
• 자율적 도구 활용 능력: 고정된 스크립트에 의존하지 않고, 필요한 계산을 수행하기 위한 코드를 스스로 생성하고 오류를 수정(Self-repair)하는 능력을 갖추었습니다.

4. 연구 결과 (Results)

고온용 세라믹의 지표인 Debye 온도($\Theta_D$) 탐색을 사례 연구로 수행한 결과:

• 기존 물질 재발견: 다이아몬드, SiC, BeO 등 알려진 초고강성 물질을 정확히 식별했습니다.
• 신규 후보 물질 제안: 기존 데이터베이스에는 없었으나 열역학적으로 안정적인 Be-C-rich 계열의 새로운 화합물들을 다수 발견했습니다.
• 성능 향상: MKNA가 제안한 후보 물질들은 $\Theta_D \approx 1500\text{--}1700\text{ K}$ 영역에 집중되어 있으며, 이는 기존 Materials Project 데이터베이스의 분포보다 훨씬 높은 고성능 영역입니다.
• 창발적 설계 패턴: 명시적인 지시 없이도, 가벼운 원소와 강한 공유 결합을 가진 Be-C 구조가 높은 Debye 온도를 만든다는 물리적 원리를 스스로 찾아내어 적용했습니다.

5. 의의 (Significance)

MKNA는 재료 과학 연구의 패러다임을 '수동적 데이터 검색'에서 '자율적 가설 형성 및 검증'으로 전환시켰습니다. 이 시스템은 연구자가 복잡한 코딩이나 반복적인 시뮬레이션 없이 자연어로 과학적 의도를 전달하는 것만으로도, 문헌 기반의 통찰력을 갖춘 고성능 신소재 후보를 발굴할 수 있는 강력한 플랫폼을 제공합니다. 이는 향후 실험실 자동화 및 AI 기반 신소재 설계(Materials Informatics) 분야의 중요한 이정표가 될 것입니다.