OpenQlaw: 2 차원 양자 물질 분석을 위한 에이전트 기반 AI 어시스턴트

1. 문제 정의 (Problem Statement)

• 현황: 그래핀, MoS2, hBN 과 같은 2 차원 양자 물질의 특성 분석은 차세대 전자 및 양자 기술의 핵심이지만, 현재 광학 현미경 이미지를 통한 단층 (monolayer) 과 다층 (bilayer) 판별은 신뢰도가 낮습니다.
• 병목 현상: 정확한 층수 확인을 위해 원자력 현미경 (AFM) 측정이 필수적인데, 이는 광학 식별 후 시료를 물리적으로 이동시키고, AFM 에서 측정 후 다시 광학 좌표로 매핑하는 수동적이고 시간 소모적인 워크플로우를 요구합니다.
• 기존 기술의 한계:
  • 객체 탐지 모델: 물리적 사전 지식 (physical priors) 이 부족하여 박막 간섭 현상을 이해하지 못해 조명이나 기판 두께의 미세한 변화에 의해 물리적 상 (phase) 을 혼동하기 쉽습니다.
  • 멀티모달 LLM (MLLM): QuPAINT 와 같은 최신 모델은 물리 지식을 반영한 주석 튜닝을 통해 높은 정확도를 보이지만, 답변의 '인지적 투명성 (cognitive transparency)'을 위해 방대한 추론 과정과 상세한 좌표 나열을 출력합니다. 이는 연구자에게 인지 과부하를 유발하고, 실제 실험실 환경에서 즉시 활용 가능한 실용적인 데이터를 제공하지 못합니다.

2. 방법론 (Methodology)

OpenQlaw 는 이러한 문제를 해결하기 위해 에이전트 오케스트레이션 (Agentic Orchestration) 아키텍처를 도입하여 시각적 식별, 물리적 추론, 결정론적 계산을 분리했습니다.

• 핵심 아키텍처:

  1. 에이전트 오케스트레이션 루프 (Agentic Orchestration Loop):
     • 중앙 조정자 (Orchestrator): Qwen3-VL-32B-Instruct 기반의 LLM 에이전트입니다.
     • 기능: 사용자와의 자연어 대화 (Discord, WhatsApp 등) 를 관리하며, 전문 도메인 에이전트에게 작업을 위임합니다.
     • 지속적 메모리 (Persistent Memory): 세션 동안 물리적 스케일 비율 (예: 1 픽셀 = 0.25 µm) 과 시료 준비 방법 등을 저장하여 맥락 인식 (context-aware) 을 가능하게 합니다.
  2. 도메인 전문가 (Material Domain Expert - QuPAINT):
     • 역할: 물리 지식을 갖춘 MLLM 으로, 이미지의 모든 플레이크 (flake) 를 식별하고 단층/다층을 구분하며, 바운딩 박스 좌표 $[x, y, w, h]$와 추론 경로를 생성합니다.
     • 구현: OpenQlaw 에서는 QuPAINT 의 방대한 추론 텍스트를 차단하고, 구조화된 수치 데이터 (좌표) 만 추출하여 조정자에게 전달합니다.
  3. 결정론적 실행 도구 (Deterministic Execution Tools):
     • 물리 계산: 추출된 픽셀 좌표와 사용자 제공 (또는 에이전트가 이미지 스케일바에서 자동 추론한) 스케일 (S) 을 사용하여 실제 물리적 면적 ($Area = w \times S \times h \times S$) 을 계산합니다.
     • 이미지 주석 도구: 사용자의 요청 (예: "가장 큰 단층 보여줘") 에 따라 특정 플레이크만 강조된 이미지를 동적으로 생성합니다.

• 워크플로우:

  1. 사용자가 광학 이미지를 업로드하고 자연어 질의 (예: "가장 큰 단층의 면적을 계산해줘") 를 입력.
  2. 조정자 에이전트가 QuPAINT 에게 이미지 분석을 위임.
  3. QuPAINT 가 좌표 데이터를 반환하면, 조정자는 이를 파싱하여 불필요한 텍스트를 제거.
  4. 조정자는 저장된 스케일 정보를 활용하여 면적을 계산하고, 요청에 따라 이미지를 주석 처리하여 사용자에게 간결한 답변을 제공.

3. 주요 기여 (Key Contributions)

• 분리된 아키텍처 설계: 복잡한 물리적 추론 (QuPAINT) 과 결정론적 계산/대화/렌더링을 분리하여, MLLM 의 장점은 살리면서 단점 (방대한 텍스트 출력) 을 극복했습니다.
• 지속적 메모리 시스템: 연구자가 일일이 스케일 정보를 반복해서 입력할 필요가 없도록, 물리적 비율과 시료 준비 방법을 세션 간에 저장하고 재사용합니다.
• 실용적 인터페이스: Discord 와 WhatsApp 같은 일상적인 메시징 채널을 통해 연구자들이 별도의 전용 소프트웨어 없이도 고해상도 현미경 이미지를 업로드하고 실시간 분석 결과를 얻을 수 있게 했습니다.
• 동적 리소스 관리: 사용자가 시각적 출력을 요구하지 않을 때는 렌더링을 생략하여 컴퓨팅 자원을 절약하고, 필요할 때만 특정 플레이크를 강조하는 이미지를 생성합니다.

4. 결과 및 논의 (Results and Discussion)

• 성능 비교:
  • QuPAINT 단독 사용: 방대한 좌표 나열과 텍스트로 인해 연구자가 데이터를 추출하는 데 시간이 걸리며, LLM 의 수치 처리 한계로 인해 플레이크 개수 세기 등에서 오류가 발생할 수 있습니다.
  • OpenQlaw: QuPAINT 의 정밀한 식별 능력을 활용하되, 조정자가 데이터를 정제하여 간결한 자연어 답변과 정확한 물리적 수치 (예: $\mu m^2$ 단위 면적) 를 제공합니다.
• 메모리 활용 사례: 사용자가 초기에 스케일 정보를 제공하면, 이후의 모든 면적 계산에 이를 적용하여 실제 물리 단위를 가진 실행 가능한 결과를 도출합니다.
• 효율성: 불필요한 시각적 렌더링을 생략함으로써 처리 속도를 높이고, 연구자의 인지 부하를 줄여 고처리량 (high-throughput) 장치 제작을 가속화합니다.

5. 의의 및 한계 (Significance and Limitations)

• 의의: OpenQlaw 는 전문적인 멀티모달 LLM 과 실제 실험실 운영 간의 격차를 해소하는 중요한 단계입니다. 이는 단순한 이미지 분석을 넘어, 물리적 맥락을 이해하고 실행 가능한 데이터를 제공하는 '지능형 실험실 어시스턴트'의 모델을 제시합니다.
• 한계:
  • 컨텍스트 윈도우 제한: 매우 밀집된 이미지 (수백 개의 플레이크) 의 경우 좌표 배열이 토큰 제한을 초과하여 파싱 오류가 발생할 수 있습니다.
  • 메모리 오버헤드: 대화 기록과 메타데이터가 누적되면 추론 지연 시간이 증가할 수 있습니다.
  • 형식 의존성: 하위 Python 스크립트가 실패하지 않으려면 QuPAINT 가 출력하는 좌표 배열 형식이 완벽해야 하며, hallucination(할루시네이션) 에 취약합니다.
• 미래 전망: 하드웨어 인터페이스 (현미경 자동 제어, 로봇 팔 제어 등) 를 통합하여 박리, 플레이크 탐색, 적층 (stacking) 전 과정을 자동화하는 방향으로 발전할 예정입니다.

결론적으로, OpenQlaw 는 AI 에이전트 아키텍처를 활용하여 2 차원 양자 물질 연구의 병목 현상을 해결하고, 연구자가 즉시 실행 가능한 물리적 통찰력을 얻을 수 있도록 돕는 혁신적인 프레임워크입니다.