TSAgent: An Agentic Workflow for Autonomous Transition State Search

본 논문은 인간 전문가와 동등한 정확도로 DFT 수준에서 전이 상태 탐색을 자동화하여 복잡한 다단계 시뮬레이션 과제를 성공적으로 해결하고 확립된 과학적 스케일링 관계를 재현하는 자율 에이전트 워크플로우인 TSAgent 를 소개합니다.

핵심

안개 낀 산악 지형에서 한 계곡에서 다른 계곡으로 넘어가기 위해 가장 높은 지점을 찾으려 한다고 상상해 보세요. 화학 세계에서는 이 "가장 높은 지점"을 **전이 상태 (Transition State)**라고 부릅니다. 이는 화학 결합이 끊어지거나 형성되는 정확한 순간으로, 반응 속도를 결정하는 문지기 역할을 합니다. 이 지점을 찾는 것은 더 나은 촉매 (반응을 가속화하는 물질) 를 설계하는 데 필수적이지만, 매우 어렵습니다.

전통적으로 이 지점을 찾는 것은 하루에 한 번만 업데이트되는 지도에만 의존하며 눈가리개를 하고 안개 낀 산을 항해하려는 것과 같습니다. 이는 복잡한 비용이 많이 드는 컴퓨터 시뮬레이션을 실행하고, 결과를 확인하며, 문제가 발생했음을 인지하고, 설정을 조정하며, 다시 시도하는 인간 전문가의 노력이 필요합니다. 이 과정은 느리고 수동적이며, 종종 막히기 쉽습니다.

이제 이 논문에서 소개된 새로운 "디지털 탐험가"인 TSAgent가 등장합니다. 간단한 비유를 통해 작동 방식을 설명해 보겠습니다.

1. 문제: 안개 낀 산

화학 반응은 "퍼텐셜 에너지 표면 (Potential Energy Surface)"에서 일어나는데, 이는 언덕과 계곡의 3 차원 지도와 같습니다.

• 계곡은 안정적인 화학 물질 (반응물과 생성물) 입니다.
• 언덕 꼭대기는 전이 상태입니다.
• 안개는 복잡성을 나타냅니다. 컴퓨터 시뮬레이션 (DFT 라고 함) 은 너무 무겁고 느려서 실행하는 데 몇 시간에서 며칠이 걸립니다. 실패할 때 오류 메시지는 종종 혼란스럽고, "지도"는 전문가만이 해석할 수 있는 기이한 모양을 보일 수 있습니다.

2. 해결책: TSAgent (자율 하이커)

TSAgent 는 이 산을 완전히 스스로 오르기 위해 설계된 AI 시스템입니다. 단순히 스크립트를 실행하는 것이 아니라, **Plan(계획) → Execute(실행) → Analyze(분석) → Replan(재계획)**이라는 특정 루프를 사용하는 지속적이고 사고하는 하이커처럼 행동합니다.

• 계획 에이전트 (전략가): 이는 두뇌입니다. 출발점 (반응물) 과 목적지 (생성물) 를 보고 경로를 그립니다. "먼저 지면을 안정화한 다음, 언덕을 오를 것이다"라고 결정합니다.
• 실행 에이전트 (등반가): 이는 작업자입니다. 실제 시뮬레이션을 실행하도록 슈퍼컴퓨터에 지시를 보냅니다. 결과 (하루가 걸릴 수도 있음) 를 기다렸다가 돌아옵니다.
• 시각 분석가 (눈): 이것이 독특한 부분입니다. 등반이 실패할 때, 시스템이 단순히 숫자 ("힘이 너무 높다" 등) 만 보는 것이 아니라, 인간 화학자가 화면을 찡그려 보듯이 원자의 3 차원 이미지를 실제로 봅니다. "원자들이 서로 충돌했는가? 분자의 일부가 떨어졌는가?"라고 묻습니다.

3. 실패 처리 방식 ("오ops" 순간)

과거에는 시뮬레이션이 실패하면 인간이 개입해야 했습니다. TSAgent 는 이를 자동으로 처리합니다.

• 시나리오 A: 컴퓨터가 "힘이 멈췄다"고 말합니다.
  • TSAgent 의 반응: "아, 하이커가 발걸음을 너무 크게 떼어 경로를 벗어났구나. 하이커에게 더 작은 발걸음을 하라고 알려주자."
• 시나리오 B: 컴퓨터가 "경로가 이상해 보인다"고 말합니다.
  • TSAgent 의 반응: "잠깐, 3 차원 이미지를 보니 이 반응이 단순한 점프 하나가 아니군. 중간에 휴식 지점이 있는 두 번의 점프야. 이 임무를 두 개의 별도 등반으로 나누어야겠다."

구체적인 실패 유형을 진단하고 즉각적으로 전략을 변경하는 이 능력이 이를 "에이전트적"으로 만듭니다. 이는 미리 작성된 스크립트만 따르는 것이 아니라, 인간 전문가처럼 적응합니다.

4. 결과: 얼마나 좋은가?

저자들은 TSAgent 를 세 가지 방식으로 테스트했습니다.

• 장애물 코스: 표준 벤치마크의 100 가지 서로 다른 화학 반응을 주었습니다. TSAgent 는 83% 의 경우 전이 상태를 성공적으로 찾았습니다.
• 인간 대 기계 레이스: TSAgent 를 10 가지 새로운 어려운 반응에 대해 세 명의 인간 전문가 (수년 경력의 박사 학위 화학자) 와 겨루게 했습니다.
  • 성공률: 인간은 평균적으로 73% 성공했습니다. TSAgent 는 70% 성공했습니다.
  • 교훈: TSAgent 는 최상위 인간 전문가의 성능과 맞먹지만, 누군가가 앉아 버튼을 누를 필요가 없습니다. 인간은 성공한 사례당 약 47 분을 수동으로 오류를 수정하는 데 보냈고, TSAgent 는 자율적으로 수행했습니다.
• 현실 세계 테스트: TSAgent 에게 암모니아 해리에 관한 유명한 과학적 규칙 (Brønsted–Evans–Polanyi 관계) 을 재현하도록 요청했습니다. TSAgent 는 원래 연구에서 발견된 복잡한 패턴을 성공적으로 재현하여, 교과서 예제가 아닌 실제 과학적 조사를 처리할 수 있음을 입증했습니다.

5. 단점 (한계)

이 논문은 TSAgent 가 아직 할 수 없는 것에 대해 솔직합니다.

• 시작 지도가 필요합니다: 반응물과 생성물이 어디에 있는지 여전히 알려주어야 합니다. 처음부터 반응물을 발명할 수는 없습니다.
• 비쌉니다: 인간 시간을 절약하지만, 여전히 많은 **컴퓨터 시간 (CPU 시간)**을 사용합니다. 사실, 올바른 방법을 찾기 전에 때로는 몇 가지 다른 전략을 시도하기 때문에 평균적으로 인간보다 약간 더 많은 컴퓨터 시간을 사용했습니다.
• 마법이 아닙니다: 컴퓨터가 충돌하거나 물리학이 너무 기이하면 여전히 막힐 수 있지만, 복구하려고 노력합니다.

요약

TSAgent는 화학 발견을 위한 자율 주행 자동차입니다. 인간 운전자가 수동으로 조향하고, GPS 를 확인하며, 엔진이 멈출 때 수리하는 대신, TSAgent 는 스스로 운전하고, 도로를 살피며, 타이어가 펑크 난 것을 알아차리고, 경로를 변경하고, 목적지에 도달할 때까지 계속 이동합니다. 이는 전문 인간 운전자와同등하게 운전할 수 있음을 입증하여, 과거에는 너무 지루하여 연구하기 어려웠던 수천 가지 화학 반응을 탐구할 수 있는 문을 열었습니다.

기술 요약

기술적 요약: TSAgent – 자율 전이 상태 탐색을 위한 에이전트 워크플로우

1. 문제 제기

촉매 물질의 메커니즘 연구에서 전이 상태 (TS) 를 포텐셜 에너지 표면 (PES) 상에서 식별하는 것은 근본적인 병목 현상입니다. 밀도 범함수 이론 (DFT) 은 필요한 양자 역학적 정확도를 제공하지만, TS 를 찾는 것은 단일 계산이 아닌 복잡하고 장기적인 워크플로우입니다. 이 과정은 다음과 같은 특징을 가진 일련의 원자 단위 시뮬레이션 (기하 구조 최적화, Nudged Elastic Band 탐색, 진동 주파수 분석) 을 포함합니다:

• 지연된 비동기 피드백: 고성능 컴퓨팅 (HPC) 클러스터에서의 DFT 계산은 종종 수 시간에서 수 일이 소요되어 실시간 의사 결정을 방해합니다.
• 이질적인 실패 모드: 실패는 균일하지 않습니다. 수렴 문제 (예: 힘의 평탄화) 에서부터 정성적인 물리적 오류 (예: 원자 충돌, 비물리적 결합 끊김, 또는 다단계 반응을 나타내는 안정 중간체의 존재) 까지 다양합니다.
• 다중 모달 진단 요구 사항: 이러한 실패를 감지하려면 스칼라 수렴 지표 (힘, 에너지) 와 3 차원 원자 기하 구조의 시각적 검사를 결합한 분석이 종종 필요합니다. 스칼라 기준만으로는 실패한 최적화와 물리적으로 유효하지만 복잡한 반응 경로 사이를 구별하기에 불충분합니다.
• 조합적 폭발: 복잡한 촉매 네트워크 (예: 이산화탄소를 요소로 환원) 에서 잠재적 기본 단계와 경쟁하는 TS 의 수는 기하급수적으로 증가하여 대규모 메커니즘 연구에 대한 수동적이고 정적인 스크립팅을 불가능하게 만듭니다.

기존 자동화 파이프라인은 종종 DFT 수준의 실패로부터 복구하는 데 필요한 적응형 폐쇄 루프 추론이 부족한 정적 스크립트나 기계 학습 원자 간 퍼텐셜 (MLIP) 에 의존합니다.

2. 방법론: TSAgent 워크플로우

저자들은 DFT 수준에서 TS 탐색을 직접 자동화하도록 설계된 에이전트 워크플로우인 TSAgent를 제안합니다. 이 시스템은 고수준 과학적 추론과 저수준 운영 실행을 분리하는 지속적인 계획–실행–분석–재계획 루프에서 작동합니다.

2.1 에이전트 아키텍처

워크플로우는 역할별 시스템 프롬프트와 도구 세트로 차별화된 GPT-5.4 기반의 다중 에이전트 시스템을 활용합니다:

• 계획 에이전트 (PA): 시스템의 "두뇌"입니다. 이는 타입이 지정된 SimulationStep 객체 (기하 구조 최적화, NEB, 진동 주파수 분석) 로 구성된 SimulationPlan을 생성합니다. 실패 시, PA 는 수치 진단과 시각적 증거를 종합하여 근본 원인을 진단하고 전략을 수정합니다.
• 실행 에이전트 (EA): 계획의 실행을 조율합니다. 이는 전문 하위 에이전트를 통해 시뮬레이션 환경 (SLURM 관리 HPC 의 VASP) 과 상호작용합니다:
  • 입력 생성기: VASP 입력 파일 (INCAR, POSCAR 등) 을 준비합니다.
  • 작업 제출: HPC 작업 제출 및 모니터링을 관리합니다.
  • 출력 파서: 컨텍스트 창 오버플로우와 할루시네이션을 방지하기 위해 패턴 기반 추출기를 사용하여 VASP 출력 파일에서 구조화된 스칼라 진단 (힘, 에너지, 수렴 플래그) 을 추출합니다.
  • 시각 분석기: 스칼라 지표가 놓치는 결합 끊김, 회전, 탈착 또는 원자 충돌과 같은 정성적 이벤트를 감지하기 위해 반응 경로 (NEB 이미지) 의 직교 2 차원 투영을 렌더링합니다.

2.2 적응형 재계획 및 다중 모달 진단

핵심 혁신은 다중 모달 진단 루프에 있습니다. 단계가 실패하거나 멈출 때:

1. 증거 집계: EA 는 스칼라 진단 (예: 힘의 평탄화, 허수 주파수 부재) 과 시각적 요약 (예: "안정 중간체 감지됨", "원자 중첩") 을 집계합니다.
2. 진단: PA 는 전문가가 만든 디버깅 가이드라인과 자신의 도메인 추론에 대해 이 증거를 분석합니다.
3. 전략 수정: PA 는 수정된 계획을 생성합니다. 개입은 매개변수 조정 (예: MAXMOVE 또는 POTIM 감소) 으로 제한되지 않으며 다음과 같이 워크플로우의 구조적 변경을 포함할 수 있습니다:
   • 안정 중간체가 감지되면 단일 TS 탐색을 두 개의 독립적인 탐색으로 분할 (다단계 반응 분해).
   • 해상도를 높이기 위해 국소 최대값 주변 반응 경로 자르기.
   • 다른 수렴 기준을 사용하여 재시작하거나 클라이밍 이미지 알고리즘을 일시적으로 비활성화.

물리적으로 검증된 TS (정확히 하나의 허수 주파수를 가진 1 차 안장점) 가 발견되거나 컴퓨팅 예산이 소진될 때까지 루프가 계속됩니다.

3. 주요 기여

1. TSAgent 프레임워크: 인간의 개입 없이 DFT 수준의 TS 탐색 실패를 자율적으로 진단하고 복구하는 폐쇄 루프 에이전트 워크플로우의 도입. 이는 인간 전문가의 반복적 디버깅 과정을 반영합니다.
2. 직접 DFT 수준 자동화: TS 탐색을 위해 MLIP 근사에 의존하는 이전 작업과 달리, TSAgent 는 DFT 수준에서 직접 작동하여 벤치마크 구축에 사용된 고정밀 이론과 일관된 결과를 보장합니다.
3. 다중 모달 추론: 시스템은 원자 기하 구조의 시각적 분석과 스칼라 수렴 진단을 통합하여 순수 수치 스크립트에는 보이지 않는 실패 모드를 해결합니다.
4. 전문가에 대한 벤치마킹: 에이전트가 인간 도메인 전문가와 비교 가능한 성공률을 달성함을 보여주는 정량적 비교.
5. 과학적 유용성 증명: NH3 해리에 대한 Brønsted–Evans–Polanyi (BEP) 스케일링 관계를 성공적으로 재현하여, 에이전트가 큐레이션된 데이터셋을 넘어 실제 과학적 조사를 처리할 수 있음을 검증합니다.

4. 실험 결과

4.1 OC20NEB 벤치마크 평가

TSAgent 는 이종 촉매 벤치마크 (OC20NEB) 의 100 개 반응 경로 (해리 및 전이 반응 포함) 로 구성된 계층적 하위 집합에서 평가되었습니다.

• 성공률: TSAgent 는 83% 의 전체 성공률을 달성했습니다 (95% 신뢰구간: 74.5–89.1%).
  • 해리 반응: 90% 성공.
  • 전이 반응: 76% 성공.
• 재계획의 영향: 한 번의 시도 성공률 (재계획 없이) 은 40% 에 불과했습니다. 성능은 각 재계획 라운드가 진행됨에 따라 점진적으로 향상되었으며, 이는 견고한 TS 발견이 단일 초기 전략이 아닌 반복적이고 증거 기반의 적응에 의존함을 보여줍니다.
• MLIP 베이스라인과의 비교: TSAgent 는 범용 원자 모델 (UMA) 기반 MLIP 를 사용하는 파이프라인 베이스라인보다 우수한 성과를 거두어, MLIP 기반 탐색에 비해 DFT 영역의 어려움을 강조했습니다.

4.2 인간 전문가와의 비교

이 에이전트는 10 개의 홀드아웃 OC20NEB 반응에 대해 3 명의 박사급 DFT 실무자와 비교되었습니다.

• 성공률: TSAgent 는 70% 의 성공률을 달성한 반면, 인간 전문가의 평균은 **73 ± 12%**였습니다.
• 노력: 인간 전문가들은 성공한 사례당 평균 47 분을 수동 디버깅, 구조 검사 및 입력 수정에 보냈습니다. TSAgent 는 이러한 수동 운영자 노력이 필요하지 않았습니다.
• 컴퓨팅 비용: TSAgent 는 사례당 인간 평균보다 약 3,100 시간 더 많은 CPU 시간을 소비했습니다. 이는 에이전트가 승리 전략에 수렴하기 위해 추가 반복이 필요한 반면, 전문가들은 때때로 지배적인 실패 모드를 즉시 식별할 수 있기 때문입니다.

4.3 실제 적용: BEP 스케일링

TSAgent 는 12 개의 순수 금속 및 단일 원자 합금 (SAA) 표면에서 NH3 해리에 대한 활성화 장벽과 반응 에너지를 계산하는 데 사용되었습니다.

• 에이전트는 문헌에서 발견된 선형 BEP 스케일링 관계를 성공적으로 재현했습니다 (순수 금속의 경우 $R^2 = 0.78$, SAA 의 경우 $R^2 = 0.91$).
• 이는 순수 금속과 SAA 간의 뚜렷한 스케일링 추세를 정확히 식별하여 촉매 설계를 위한 과학적으로 유효한 데이터를 생성할 수 있는 능력을 입증했습니다.

5. 중요성 및 주장

이 논문은 TSAgent 가 계산 메커니즘 연구의 "마지막 마일"을 자동화하는 중요한 단계라고 주장합니다. 과학적 추론을 운영 실행과 분리하고 다중 모달 진단으로 루프를 닫음으로써, 시스템은 장기적, 비동기적, 실패가 빈번한 DFT 워크플로우의 특정 과제를 해결합니다.

저자들은 TSAgent 가 단순한 매개변수 스윕퍼가 아니라 실패를 통해 추론할 수 있는 시스템임을 강조합니다. 복잡한 반응을 분해하고 시각적 및 수치적 증거에 기반하여 전략을 적응시킬 수 있는 능력은 정적 스크립트로는 처리할 수 없는 문제를 해결할 수 있게 합니다. 현재 시스템은 상당한 컴퓨팅 자원을 필요로 하지만 (총 CPU 시간 측면에서 인간 전문가와 공유되는 비용이지만, 인간 시간 효율성은 더 높음), 이는 실제 세계 촉매 네트워크의 조합적 복잡성으로 메커니즘 연구를 확장할 수 있는 경로를 제공하며, 차세대 반응성 퍼텐셜 및 생성 모델의 훈련 데이터 생성을 가속화할 잠재력을 가집니다.

인정된 한계:

• 워크플로우는 합리적인 반응물 및 생성물 기하 구조가 제공된다고 가정합니다; 이를 생성하는 것은 별도의 과제입니다.
• 평가는 DFT 계산의 높은 비용으로 인해 100 개 반응으로 제한되었습니다.
• 자동화된 TS 할당은 에이전트에 의해 엄격하게 검증되었지만 물리적 보장은 없으며, 하류 데이터셋에서 감독 없이 배포될 경우 오류를 전파할 수 있습니다.