DynaMate2: Democratization of Agentic AI for Expert-Designed Custom Workflows

DynaMate2 는 연구자들이 기존에 전문가가 정의한 Python 도구를 AI 가 호출 가능한 구성 요소로 쉽게 변환할 수 있도록 하여 LLM 이 과학적 코드를 생성할 필요 없이 AI 기반 과학 워크플로우를 민주화함으로써 계산 화학과 같은 분야의 자동화 진입 장벽을 낮추는 오픈 소스 계층적 에이전트 프레임워크입니다.

핵심

수학자들이 수십 년간 구축해 온 거대하고 매우 전문적인 도구 도서관을 상상해 보세요. 이들은 단순한 망치나 드라이버가 아닙니다. 원자의 움직임을 시뮬레이션하거나, 화학 반응을 예측하거나, 방대한 양의 데이터를 분석할 수 있는 복잡하고 맞춤형으로 제작된 기계들입니다. 문제는 이러한 기계들이 레버를 당기고 버튼을 올바른 순서로 누르는 방법을 정확히 알고 있을 때만 작동한다는 점입니다. 이를 사용하려면 본인이 마스터 엔지니어여야 하는 경우가 대부분입니다.

DynaMate2는 이러한 복잡한 기계들을 구축하거나 프로그래밍하는 방법을 알 필요 없이 누구나 평범한 영어로 대화할 수 있도록 설계된 새로운 시스템입니다.

다음은 간단한 비유를 통해 작동 원리를 설명한 것입니다:

"스마트 프로젝트 매니저"와 "전문가 노동자들"

과학적 워크플로우를 건설 프로젝트라고 생각해 보세요.

• 구식 방식 (DynaMate1): 한 번에 한 가지 일만 할 수 있는 단일 감독관이 있었습니다. 집을 짓고 싶다면 감독관에게 "벽돌을 쌓아라"라고 지시하고, 그가 끝날 때까지 기다린 뒤 "벽을 칠하라"고 지시하고, 다시 기다린 뒤 "지붕을 설치하라"고 지시해야 했습니다. 모든 단계를 미시적으로 관리해야 했습니다.
• 신규 방식 (DynaMate2): 이제 스마트 프로젝트 매니저(수퍼바이저 AI) 와 전문가 노동자들(에이전트) 팀을 갖추게 되었습니다.

스마트 프로젝트 매니저에게 다가가 *"소금물 시뮬레이션을 만들어 줘"*라고 말하면, 매니저는 스스로 작업을 수행하려 하지 않습니다. 대신 당신의 큰 요청을 작은 작업으로 분해합니다:

1. "소금물 모델의 설계도를 가져오라."
2. "컨테이너를 구축하라."
3. "시뮬레이션을 실행하라."
4. "결과를 그리라."

그런 다음 매니저는 각 작업을 해당 업무에 가장 능숙한 특정 전문가 노동자에게 전달합니다. 한 노동자는 모델 다운로드만 알고 있고, 다른 노동자는 분자를 상자에 채우는 방법만 알고 있으며, 또 다른 노동자는 그래프를 그리는 방법만 알고 있을 수 있습니다.

황금률: AI 는 절대 기계를 구축하지 않는다

이것이 이 논문의 가장 중요한 부분입니다. 많은 새로운 AI 시스템에서는 AI 가 스스로 도구의 코드를 작성하려 합니다. 하지만 이 논문의 저자들은 **"아니다"**라고 말합니다.

그들은 AI 가 복잡한 과학 코드를 작성하려 하면 실험을 망칠 수 있는 실수를 저지를 수 있다고 믿습니다. 따라서 DynaMate2 에서는 다음과 같이 작동합니다:

• 과학자들(전문가) 이 도구들의 코드를 작성합니다. 이러한 도구들은 이미 검증되고 입증되었으며 안전합니다.
• AI(매니저) 는 절대 코드를 작성하지 않습니다. 오직 어떤 도구를 사용할지 결정하고 해당 도구에 지시사항을 전달할 뿐입니다.

이는 레스토랑과 같습니다. AI 는 주문을 받고 요리사가 무엇을 요리할지 알려주는 웨이터입니다. 웨이터는 스스로 음식을 요리하려 하지 않습니다. 그들은 올바른 요리사 (전문 도구) 가 올바른 주문을 받도록 할 뿐입니다.

나만의 도구를 추가하는 방법 ("플러그 앤 플레이" 기능)

과거의 가장 큰 장애물 중 하나는 과학자가 시스템에 자신만의 커스텀 도구를 추가하고 싶다면 시스템 코드를 편집하기 위해 컴퓨터 프로그래머여야 했다는 점입니다.

DynaMate2 는 도구 등록 프로토콜을 통해 이를 변경합니다. 시스템에 "플러그 앤 플레이" 포트가 있다고 상상해 보세요.

• 스크립트가 있다면: 기존 Python 코드를 채팅 상자에 직접 붙여넣을 수 있습니다.
• 파일이 있다면: 시스템에게 "내 파일이 여기 있으니 추가해 주세요"라고 말할 수 있습니다.
• 아이디어가 있다면: "X, Y, Z 를 수행하는 도구가 필요하다"고 말하면 시스템이 설명에 기반하여 실제로 코드를 작성해 줍니다.

한 번 "플러그"를 꽂으면 시스템은 이를 영원히 기억합니다. 다음에 컴퓨터를 켤 때, 당신의 커스텀 도구는 여전히 그곳에 있으며 스마트 프로젝트 매니저가 사용할 준비가 되어 있습니다.

논문에서 제시된 실제 사례

저자들은 분자 동역학(원자의 움직임을 시뮬레이션하는 작업) 이라는 복잡한 작업으로 이를 테스트했습니다.

1. 모델 다운로드, 분자 상자 구축, 시뮬레이션 실행, 결과 분석을 위한 네 가지 다른 도구를 등록했습니다.
2. 시스템에 단 하나의 문장을 입력했습니다: "MACE 모델을 다운로드하고, 262 개의 물 분자와 염 이온으로 구성된 상자를 구축한 뒤, 300 켈빈에서 시뮬레이션을 실행하고 에너지를 플롯하라."
3. 스마트 프로젝트 매니저가 순서를 파악하고, 전문가 노동자들을 하나씩 호출하며, 한 단계에서 다음 단계로 데이터를 전달하여 최종 그래프를 생성했습니다.

사용자는 이 과정에서 단 한 줄의 코드도 작성하거나 버튼을 클릭할 필요가 없었습니다. 그들은 명령을 내렸을 뿐이며, 시스템이 전체 워크플로우를 실행했습니다.

왜 이것이 중요한가

이 논문은 과학자들이 놀랍고 검증된 도구들을 수년에 걸쳐 구축해 왔지만, 고립되어 있다는 점을 주장합니다. DynaMate2 는 다리와 같은 역할을 합니다. 이는 기존 도구들이 서로 대화하고 간단한 대화로 제어될 수 있게 하여, AI 전문가가 아닌 연구자들도 고급 과학 자동화에 접근할 수 있게 합니다.

간단히 말해: DynaMate2 는 이미 신뢰하고 직접 구축한 도구들을 사용하여, 복잡한 과학 실험을 그들과 대화함으로써 수행할 수 있도록 해주는 시스템입니다. 이는 스마트 AI 보스에 의해 관리되는 전문 로봇 노동자 팀을 고용하는 것과 같습니다.

기술 요약

기술 요약: DynaMate2

문제 제기
대규모 언어 모델 (LLM) 에이전트 프레임워크가 과학적 워크플로우 자동화에서 잠재력을 입증해 왔음에도 불구하고, 기존 시스템은 중요한 채택 장벽에 직면해 있습니다: 이러한 시스템은 일반적으로 특정, 사전 정의된 작업 순서를 위해 구축되기 때문입니다. 이러한 프레임워크를 새로운 도메인에 적용하거나 사용자 정의된 전문가 개발 도구를 통합하려면 상당한 프로그래밍 전문 지식이 필요합니다. 이 제한은 계산 화학과 재료 과학과 같은 분야에서 특히 심각합니다. 이러한 분야에서는 연구 그룹이 수년에 걸쳐 검증된 특수 Python 코드베이스를 구축해 왔기 때문입니다. 현재 프레임워크는 종종 사용자들이 워크플로우를 여러 프롬프트로 수동으로 분해하도록 강요하거나, 시스템의 소스 코드를 수정하려면 깊은 머신러닝 지식을 요구합니다. 또한, 많은 기존 접근 방식은 LLM 이 과학적 코드를 생성하도록 의존하여, 중요한 계산에서 오류 발생 위험을 초래하고 도메인별 지식의 무결성을 훼손합니다.

방법론
저자들은 전문가가 정의한 Python 함수를 AI 감독 다중 에이전트 파이프라인에 통합하는 장벽을 낮추기 위해 설계된 계층적 에이전트 프레임워크이자 오픈소스 템플릿인 DynaMate2를 제시합니다. 이 시스템은 선형 체인이 아닌 동적 상태 기계 아키텍처를 활용하는 LangGraph를 기반으로 구축되었습니다.

• 계층적 아키텍처: 이 프레임워크는 3 단계 계층 구조를 사용합니다:
  1. 수퍼바이저 에이전트: 고수준 사용자 목표를 구조화된 하위 작업으로 분해하고 이를 전문 에이전트에게 배정하는 라우팅 LLM 입니다.
  2. 전문 에이전트: 각각 특정 사용자가 등록한 도구를 갖춘 에이전트 풀입니다. 이러한 에이전트들은 독립적인 ReAct 루프에서 작동하여 도구를 실행하고 결과를 보고합니다.
  3. 도구 계층: 도메인 로직은 전적으로 전문가가 정의하고 검증한 Python 함수에 존재합니다. LLM 은 과학적 코드 생성이 명시적으로 제한되며, 그 유일한 책임은 라우팅, 도구 선택, 그리고 계획 수립입니다.
• 런타임 확장성: 핵심 혁신은 프레임워크의 소스 코드를 수정하지 않고 런타임에 도구와 에이전트를 등록할 수 있는 능력입니다. 도구는 인라인 코드, 기존 소스 파일, 또는 일반 언어 설명을 통해 추가될 수 있습니다.
• 지속성: 시스템은 도구 소스 코드를 .py 파일로, 에이전트 메타데이터를 JSON 으로 직렬화하는 PoolStore 구성 요소를 사용합니다. SQLite 기반 체크포인터는 세션 간 대화 상태와 도구 레지스트리를 보존하여 연구자들이 맞춤형 워크플로우를 반복적으로 구축할 수 있게 합니다.
• PromptEnhancer: 들어오는 사용자 메시지를 검사하고 현재 도구/에이전트 레지스트리를 조회한 후, 라우팅 힌트 (대상 에이전트 및 특정 도구) 를 포함하도록 프롬프트를 다시 작성하는 전처리 모듈입니다. 이를 통해 수퍼바이저의 검색 공간을 줄이고 라우팅 신뢰성을 향상시킵니다.

주요 기여

1. 도구 등록 프로토콜: 이 논문은 검증된 Python 함수를 LLM 호출 가능 도구로 변환하기 위한 단계별 프로토콜을 소개합니다. 여기에는 구조적 요구사항 (예: 등록 시간 오류를 방지하기 위해 함수 본문 내부로 가져오기를 이동하는 것) 과 인라인 코드, 소스 파일, 자연어 설명 (LLM 이 코드를 생성함) 을 통한 세 가지 등록 경로가 포함됩니다.
2. 동적 에이전트 풀: 이전 버전 (예: DynaMate1) 이 단일 에이전트 시스템으로 기능한 것과 달리, DynaMate2 는 세션 중 자연어 지시를 통해 추가, 수정, 또는 제거될 수 있는 영구적인 전문 에이전트 풀을 지원합니다.
3. 안전 중심 설계: 도메인 로직 (전문가 코드) 과 오케스트레이션 로직 (LLM 라우팅) 을 엄격하게 분리함으로써, 이 프레임워크는 과학적 계산에서 LLM 생성 코드 오류의 위험을 제거합니다.
4. 오픈소스 구현: 저자들은 커뮤니티에서 재사용 가능한 템플릿으로 제공하는 웹 기반 Gradio 인터페이스를 갖춘 참조 구현체를 공개합니다.

결과
이 프레임워크는 단일 자연어 지시문으로 실행된 엔드 투 엔드 분자 역학 (MD) 워크플로우를 통해 검증되었습니다. 해당 워크플로우에는 다음이 포함되었습니다:

1. 모델 검색: MACE-MP-08 머신러닝 원자간 전위 (MLIP) 기반 모델을 다운로드합니다.
2. 시스템 구성: SMILES 문자열을 XYZ 좌표로 변환하고 Packmol 을 사용하여 NaCl-물 시스템에 대한 주기적 시뮬레이션 상자를 구축합니다.
3. 시뮬레이션 실행: MLIP 를 사용하여 300 K 에서 100 단계 NVT 분자 역학 시뮬레이션을 실행합니다.
4. 궤적 분석: 에너지 및 온도 데이터를 자동으로 추출하고 2 패널 시각화를 생성합니다.

이 워크플로우는 네 가지 서로 다른 도구 (다운로드, 시스템 구축, 시뮬레이션, 분석) 를 등록하고 이를 전문 에이전트 (mace_md_specialist) 에게 할당함으로써 구성되었습니다. 수퍼바이저는 고수준 프롬프트를 성공적으로 분해하고, 작업을 전문가에게 라우팅하며, 모든 하위 단계에 걸쳐 컨텍스트 (파일 경로, 모델 ID) 를 관리하여 사용자 개입 없이 완료했습니다. 동일한 복잡성을 위해 여러 수동 프롬프트와 상호작용이 필요했던 이전 DynaMate1 시스템과 비교하여, DynaMate2 는 전체 파이프라인을 단일 세션 스레드에서 완료했습니다.

의의 및 주장
저자들은 DynaMate2 가 과학 연구에서 에이전트 AI 의 채택을 제한하는 주요 요인 중 하나인 기존 검증된 코드를 자동화된 파이프라인에 통합하는 어려움을 해결한다고 주장합니다. 에이전트 풀을 사용자가 관리하는 동적 자원으로 취급함으로써, 이 프레임워크는 연구자들이 AI 엔지니어가 될 필요 없이 수년간의 도메인 전문 지식을 활용할 수 있게 합니다.

이 논문은 이 프레임워크가 완성된 제품이 아니라 템플릿으로 기능함을 강조합니다. 그 가치는 커뮤니티와 함께 성장하도록 설계되었습니다. 더 많은 그룹이 검증된 도구를 등록할수록 수퍼바이저가 복잡하고 새로운 워크플로우를 구성하는 능력이 증가합니다. 저자들은 DynaMate2 를 과학 커뮤니티에 이미 존재하는 "전문가 개발 도구"와 차세대 연구에 필요한 "AI 주도 자동화" 사이의 교량으로 위치시키며, 과학적 지식을 얻을 수 있는 속도를 가속화하는 것을 목표로 합니다.

한계 및 향후 방향
저자들은 현재 다음과 같은 한계를 인정합니다:

• 에이전트 신뢰성: 전문 에이전트들은 때때로 수퍼바이저에게 제어권을 반환하기 전에 도구를 실행하지 못할 수 있으며, 이는 주입된 실행 규칙으로 해결되었지만 원칙적인 해결책 (예: 제약 디코딩) 이 더 필요합니다.
• 도구 생성 품질: 자연어 설명에서 생성된 코드는 런타임 때까지 발견되지 않는 미묘한 오류를 포함할 수 있습니다.
• 순차적 실행: 현재 구현은 단일 프로세스 내에서 에이전트를 순차적으로 실행하여 병렬화 가능한 작업의 처리량을 제한합니다.

향후 연구는 병렬 에이전트 실행을 도입하고, 폐쇄 루프 실험 워크플로우를 위한 로봇 실험실 플랫폼을 통합하며, 도메인 간 검증된 도구 공유를 촉진하기 위한 커뮤니티 도구 레지스트리를 개발하는 것을 목표로 합니다.