Agentic workflow enables the recovery of critical materials from complex feedstocks via selective precipitation

이 논문은 생성수 및 자석 침출액과 같은 복잡한 원료에서 AI 에이전트와 자동화 장비를 활용한 다중 에이전트 워크플로우를 통해 단순한 화학약품을 선택적 침전 방식으로 사용하여 희소 금속을 회수함으로써, 효율적이고 확장 가능한 분리 기술 개발 기간을 수년에서 수일로 단축했다고 제시합니다.

핵심

🌟 핵심 비유: "AI 요리사 CICERO"와 "복잡한 재료"

상상해 보세요. 거대한 부엌에 **CICERO(시세로)**라는 똑똑한 AI 요리사가 있습니다. 이 요리사는 단순히 레시피를 따르는 게 아니라, 자신만의 재료를 보고 가장 맛있는 요리를 직접 찾아내는 능력이 있습니다.

이 연구에서 CICERO 가 맡은 임무는 다음과 같습니다:

1. 재료 (Complex Feedstocks): 기름 시추장에서 나오는 오염된 물 (Produced water) 이나, 버려진 자석 (SmCo, NdFeB) 에서 추출된 액체 같은, 정말 복잡한 '재료'를 받습니다. 여기에는 우리가 원하는 귀금속 (희토류 등) 도 있지만, 쓸모없는 잡티 (불순물) 가 훨씬 더 많이 섞여 있습니다.
2. 목표 (Critical Materials Recovery): 이 복잡한 재료에서 마그네슘, 사마륨, 네오디뮴 같은 '보물'만 골라내서 순수하게 분리해내는 것입니다.
3. 방법 (Selective Precipitation): 마치 소금기를 빼거나 치즈를 만들 때처럼, 특정 약품 (산이나 염기) 을 넣어 원하는 성분만 고체로 뭉치게 (침전) 하고, 나머지는 액체로 남기는 방식입니다.

🤖 CICERO 가 어떻게 일하는지 (4 단계 과정)

전통적인 과학자들은 이 작업을 하려면 몇 달, 심지어 몇 년을 걸려서 하나하나 실험해 보곤 했습니다. 하지만 CICERO 는 **로봇 팔 (Opentrons)**과 손잡고 3 일 만에 해냈습니다.

1. 진단과 계획 (Diagnose & Plan)

CICERO 는 먼저 재료의 성분을 분석합니다. "오, 여기 마그네슘이 많네? 아니면 사마륨이 더 가치 있겠네?"라고 판단합니다.

• 비유: 요리사가 냉장고 속 재료를 보고 "오늘은 마그네슘이 풍부한 수프를 만들어야겠다"라고 결심하는 단계입니다.
• 특이점: CICERO 는 단순히 실험만 하는 게 아니라, **"이걸로 돈이 될까?" (경제성 분석)**를 먼저 따져봅니다. 쓸데없는 실험은 아예 시작하지 않죠.

2. 가설 세우기 (Hypothesize)

"어떤 약품을 얼마나 넣으면 마그네슘만 딱딱하게 뭉쳐질까?"라고 AI 가 추측합니다.

• 비유: "소금 1 스푼에 레몬즙 2 방울을 넣으면 치즈가 잘 뭉치겠지?"라고 요리사가 레시피를 구상하는 단계입니다.
• 중요한 점: CICERO 는 비싼 특수 약품이 아니라, **시중에서 쉽게 구할 수 있는 일반적인 약품 (소다, 식초 등)**만 쓰도록 제한을 둡니다. 그래야 나중에 공장에서 대량 생산이 가능하기 때문입니다.

3. 로봇 실험 (Experiment)

이제 CICERO 는 로봇 팔에게 지시를 내립니다. 로봇은 96 개의 작은 구멍이 있는 판 (96-well plate) 에 각기 다른 양의 약품을 섞어 실험을 시작합니다.

• 비유: 요리사가 로봇 팔을 조종해, 96 개의 작은 냄비에 각각 다른 레시피로 재료를 섞어 끓이는 모습입니다.
• 자동화: 로봇은 약품을 넣고, 섞고, 원심분리기를 돌리고, 다시 씻어내는 과정을 스스로 수행합니다. 인간은 그저 로봇이 실험을 끝내면 샘플을 분석기 (ICP-MS) 에 넣어주는 일만 합니다.

4. 학습과 개선 (Refine & Optimize)

실험 결과가 나오면 AI 는 "아, 이 조건에서는 불순물이 너무 많이 섞였네. 다음엔 약품을 조금 더 줄여보자"라고 스스로 배웁니다.

• 비유: 요리사가 첫 번째 시음을 해보고 "소금이 너무 짜네. 다음엔 조금만 줄여보자"라고 레시피를 수정하는 과정입니다.
• 베이지안 최적화: AI 는 무작위로 실험하는 게 아니라, 가장 유망한 조건을 찾아내는 수학적 지능을 써서 최소한의 실험으로 최고의 결과를 찾습니다.

🏆 CICERO 가 이룬 놀라운 성과

이 시스템은 세 가지 다른 '복잡한 재료'를 처리하며 놀라운 결과를 냈습니다.

1. 오염된 물 (Produced Water):

   • 문제: 물속에 마그네슘도 많지만, 칼슘, 스트론튬 등 비슷한 성질의 잡티들이 훨씬 더 많았습니다.
   • 해결: CICERO 는 "알칼리성 (NaOH) 을 조절하면 마그네슘만 딱 떨어진다"는 것을 찾아냈습니다. 순도 99.4% 의 마그네슘을 86% 수율로 뽑아냈습니다.

2. 버려진 자석 (SmCo Magnet):

   • 문제: 사마륨 (희토류) 과 코발트가 뒤섞여 있었습니다.
   • 해결: 1 차 실험에서 85% 순도였지만, AI 가 두 번째 실험을 설계하자 순도가 89% 이상으로 급상승했습니다.

3. 네오디뮴 자석 (NdFeB Magnet):

   • 문제: 철 (Iron) 이 엄청나게 많고, 네오디뮴과 프라세오디뮴 (서로 매우 비슷한 두 희토류) 을 분리해야 했습니다.
   • 해결:
     • 먼저 **옥살산 (Oxalate)**을 써서 철을 완벽하게 제거했습니다.
     • 그 다음 pH 를 조절하며 두 희토류를 분리했는데, 단 한 번의 실험으로 1.35 배의 분리 효율을 냈습니다. (이 두 원소는 주기율표에서 바로 옆에 붙어 있어 분리하기 매우 어렵기로 유명합니다.)

💡 왜 이 연구가 중요한가요?

1. 속도: 과거에 몇 년 걸리던 일을 3 일 만에 끝냈습니다.
2. 적응력: AI 는 각기 다른 재료 (물, 자석 A, 자석 B) 에 따라 완전히 다른 전략을 스스로 세웁니다. 인간이 일일이 레시피를 짜줄 필요가 없습니다.
3. 경제성: 비싼 특수 약품 대신 싼 약품으로, 대량 생산이 가능한 방법을 찾아냅니다.
4. 지속 가능성: 버려지는 자석이나 오염된 물에서 귀중한 자원을 다시 뽑아내어, 자원 고갈 문제를 해결하는 데 기여합니다.

📝 결론

이 논문은 **"AI 가 과학자의 역할을 대신해서, 복잡한 화학 실험을 스스로 설계하고 로봇이 실행하게 함으로써, 귀중한 자원을 빠르고 저렴하게 재활용하는 새로운 시대를 열었다"**는 것을 보여줍니다.

마치 CICERO라는 AI 요리사가 복잡한 재료만 보고도 "어떻게 하면 가장 맛있는 보물 요리를 만들까?"를 스스로 고민하고, 로봇 팔을 움직여 3 일 만에 최고의 요리를 완성해낸 것과 같습니다. 이제 우리는 AI 와 함께 더 깨끗하고 풍부한 미래를 준비할 수 있게 되었습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 핵심 문제: 에너지 기술의 발전에 따른 핵심 광물 (Critical Materials) 에 대한 수요 급증으로 인해, 복잡한 원료 (생산수, 폐기물, 자석 등) 로부터 이를 회수하는 기술의 중요성이 부각되고 있습니다.
• 기존 기술의 한계:
  • 선택적 침전 (Selective Precipitation): 산업적으로 널리 쓰이는 분리 기술이지만, 복잡한 원료 (다양한 이온이 공존) 에서 불순물을 제거하고 원하는 물질만 선택적으로 침전시키는 것은 매우 어렵습니다.
  • 최적화의 어려움: 물리 기반의 화학 모델링만으로는 복잡한 원료의 침전물 조성을 정확히 예측하거나 분리 효율을 최적화하는 데 한계가 있습니다.
  • 시간 및 비용: 기존 실험 기반 최적화는 수개월에서 수년이 소요되며, 변수 공간이 너무 넓어 효율적으로 탐색하기 어렵습니다.
  • AI 적용의 장벽: 기존 LLM(대형 언어 모델) 은 전문적인 실험 지식이 부족하고, 자동화 플랫폼은 너무 경직되어 있어 유연한 과학적 발견에 적용하기 어렵습니다.

2. 방법론 (Methodology)

이 연구는 CICERO (Computer Intelligence for Critical Elements Recovery and Optimization) 라는 이름의 다중 에이전트 (Multi-agentic) 워크플로우를 개발하여 문제를 해결했습니다.

• 플랫폼: PNNL(태평양 북서부 국립연구소) 의 SciLink 플랫폼을 기반으로 구축되었습니다.
• 워크플로우 구조:
  1. Diagnose (진단): ICP-MS 등을 통해 원료의 화학적 조성을 정량 분석합니다.
  2. Evaluate (평가): Planning Agent 가 기술 - 경제성 분석 (TEA) 을 수행하여 회수 가치가 높은 핵심 물질을 선정합니다. (예: 농도, 시장 가치, 희소성 고려)
  3. Hypothesize (가설 수립): Planning Agent 가 문헌 데이터 (RAG) 와 경제성 필터를 기반으로 실험 가능한 침전 경로를 생성합니다. (상용 화학약품 사용 제한 등 제약 조건 적용)
  4. Experiment (실험): 생성된 가설을 바탕으로 96 웰 플레이트 실험을 위한 Python 스크립트를 자동 생성합니다. Opentrons 로봇 팔이 자동으로 시약을 주입하고, 인간 운영자가 원심분리 및 세척 과정을 수행한 후, ICP-MS 로 분석합니다.
  5. Refine (정제): Bayesian Optimization (BO) Agent 가 실험 데이터를 분석하여 다음 실험 조건을 제안하거나, Planning Agent 가 새로운 가설을 수립하여 폐쇄 루프 (Closed-loop) 를 형성합니다.
• 특징:
  • 자연어 인터페이스: 연구자가 자연어로 지시하면 에이전트가 실험 계획, 코드 생성, 데이터 분석을 수행합니다.
  • 인간 - 에이전트 협업 (Human-in-the-loop): 실험 설정 수정, 코드 버그 수정, 목표 정밀도 설정 등 핵심적인 과학적 판단은 인간이 개입하지만, 반복적이고 단순한 작업은 자동화됩니다.
  • 적응성: 각 원료의 특성에 따라 다른 분리 전략 (예: pH 조절, 침전제 선택) 을 자동으로 도출합니다.

3. 주요 성과 및 결과 (Key Contributions & Results)

연구팀은 세 가지 서로 다른 실제 원료 (Feedstock) 를 대상으로 CICERO 를 테스트하여 성공적인 분리 및 회수를 입증했습니다.

1. 생산수 (Produced Water) 에서 마그네슘 (Mg) 회수:

   • 전략: NaOH 농도 조절을 통한 pH 상승으로 Mg(OH)₂ 선택적 침전.
   • 결과: 99.4% 순도의 마그네슘 수산화물을 86% 수율로 회수. Ca, Sr, Ba 등 다른 알칼리 토금속과의 분리가 성공적으로 이루어졌습니다.
   • 확장성: 1,000 배 더 큰 부피의 벌크 실험에서도 유사한 순도와 수율을 확인했습니다.

2. SmCo 영구자석 (Samarium-Cobalt) 에서 사마륨 (Sm) 회수:

   • 전략: NaHCO₃와 NaOH 의 조합을 사용하여 pH 약 6.5 에서 Co 의 종 (Speciation) 을 변경하고 Sm 을 탄산염으로 선택적 침전.
   • 결과: 1 차 실험 (85% 순도) 을 거쳐 베이지안 최적화 (2 차 실험) 를 통해 89% 이상의 순도와 92~99% 수율을 달성했습니다. Sm/Co 분리 계수 (Separation Factor) 가 22.8 에서 크게 향상되었습니다.

3. NdFeB 영구자석 (Neodymium-Iron-Boron) 에서 희토류 (Nd, Pr) 회수:

   • 전략: 1 단계에서 Na₂C₂O₄ (옥살산나트륨) 를 사용하여 철 (Fe) 을 제거하고, 2 단계에서 pH 조절을 통해 Nd 와 Pr 을 분리.
   • 결과:
     • Fe 제거: 99% 이상의 순도로 희토류 염을 회수 (Fe 대비 분리 계수 약 200).
     • Nd/Pr 분리: 인접한 원소인 Nd 와 Pr 을 단일 공정에서 1.35 의 분리 계수로 분리 (매우 어려운 과제).
   • 소요 시간: 전체 최적화 과정이 약 3 일 만에 완료되었습니다.

4. 연구의 의의 및 중요성 (Significance)

• 속도 혁신: 기존에 수개월~수년이 걸리던 분리 공정 개발을 수일 (Days) 단위로 단축했습니다.
• 유연성과 적응성: 단일 워크플로우가 생산수, SmCo 자석, NdFeB 자석 등 서로 완전히 다른 화학적 특성을 가진 원료에 대해 각각 최적화된 전략 (서로 다른 침전제, 조건) 을 자동으로 도출할 수 있음을 입증했습니다.
• 경제성 및 확장성: 고가의 특수 재료가 아닌 상용 화학약품 (Commodity chemicals) 만을 사용하여 경제적으로 실현 가능하고 확장 가능한 공정을 제시했습니다.
• 지식 기반 구축: 실험의 가설 수립부터 실행, 분석, 의사결정까지의 모든 과정이 데이터로 기록되어 재현 가능한 지식 베이스를 형성하며, 향후 연구의 기초 자료가 됩니다.
• 미래 전망: 핵심 광물 수요가 급증하고 원료의 복잡성이 증가하는 상황에서, 전통적인 방법으로는 불가능했던 맞춤형 분리 공정을 빠르게 개발할 수 있는 확장 가능한 솔루션을 제시했습니다.

결론

이 논문은 AI 에이전트와 자동화 실험 장비를 결합한 CICERO 워크플로우가 복잡한 원료로부터 핵심 물질을 선택적으로 회수하는 데 있어 획기적인 효율성을 발휘함을 입증했습니다. 이는 단순한 자동화를 넘어, AI 가 과학적 가설을 생성하고 실험을 설계하며 최적화하는 자율적 과학 발견 (Autonomous Scientific Discovery) 의 새로운 패러다임을 제시합니다.