기술 요약: NIMO – 폐쇄 루프 재료 탐색을 위한 소프트웨어 플랫폼

문제 정의

첨단 재료의 발견은 현재 기존의 시행착오 방식의 실험 속도가 사회적 및 산업적 요구를 충족하기 어렵다는 점에 의해 저해되고 있습니다. AI가 실험을 제안하고 로봇이 이를 실행하는 시스템인 자율 주행 실험실(Self-Driving Laboratories, SDLs)이 해결책을 제시하지만, 결정적인 병목 현상이 남아 있습니다. 바로 다양한 AI 알고리즘과 서로 다른 실험실의 이질적인 로봇 하드웨어를 원활하게 통합하는 것의 어려움입니다. 기존의 오케스트레이션 소프트웨어는 워크플로 관리에 집중하는 경우가 많지만, AI를 위해 외부의 전문 패키지에 의존함으로써 통합 과정에서 마찰을 발생시킵니다. 또한, 많은 AI 알고리즘은 특정 목표(예: 단일 최적점 찾기 대 다양한 물성 공간 매핑)에 맞춰져 있어, 단일 시스템 내에서 쉽게 교체할 수 없는 별도의 구현을 요구합니다.

방법론

저자들은 AI의 의사결정과 실험 실행을 세 가지 핵심 아키텍처 패듭로 분리하도록 설계된 오픈 소스 Python 플랫폼인 NIMO(NIMS Orchestration System)를 제시합니다.

1. CSV 교환을 통한 모듈형 AI-로봇 디커플링:
   NIMO는 복잡한 인메모리(in-memory) API 호출이나 언어별 바인딩에 의존하는 대신, 표준 CSV 파일을 통해서만 로봇 시스템과 통신합니다. 워크플로는 다음과 같은 3단계 반복 주기를 따릅니다.

   • 선택(Selection): NIMO는 candidates.csv 파일(탐색 공간)을 읽고, AI 알고리즘을 사용하여 유망한 조건을 선택한 후, 이를 proposals.csv 파일에 기록합니다.
   • 평가(Evaluation): 로봇 시스템 또는 인간 운영자가 제안된 내용을 읽고 실험을 수행한 뒤 결과를 기록합니다.
   • 업데이트(Update): 결과가 candidates.csv 파일에 다시 기록되어 루프를 닫습니다.
     이 파일 기반 인터페이스는 NIMO가 하부의 하드웨어 제어 언어(Python, Visual Basic, LabVIEW 등)에 구애받지 않도록 보장하며, NIMO가 IvoryOS와 같은 외부 오케스트레이션 프레임워크를 위한 범용 의사결정 엔진으로 기능할 수 있게 합니다.

2. 이산 후보군 아키텍처(Discrete Candidate-Pool Architecture):
   연속적인 탐색 공간을 정의하고 사후 타당성 검사를 요구하는 전통적인 베이지안 최적화(BO) 방식과 달리, NIMO는 사전 열거된 이산 후보군을 기반으로 작동합니다. 사용자는 모든 물리적으로 실현 가능한 실험 조건을 단일 candidates.csv 파일에 정의합니다.

   • 장점: 이 접근 방식은 AI가 실행 불가능한 실험을 제안하는 것을 근본적으로 방지합니다. 또한 복잡한 알고리즘 제약 조건 없이 도메인 지식(예: 파라미터의 합이 100%여야 한다는 제약이나 특정 해상도 요구사항)을 직접 삽입할 수 있습니다. 또한 특수한 인코딩 없이도 혼합 변수 유형(연속형, 이산형, 범주형)을 네이티브하게 지원합니다.

3. 통합 알고리즘 인터페이스:
   NIMO는 단일 nimo.selection 함수를 통해 접근 가능한 12가지의 서로 다른 AI 알고리즘 라이브러리를 프레임워크 내에 직접 포함하고 있습니다. 특정 백엔드는 문자열 인자(예: method="PHYSBO")에 의해 결정되며, 입력/출력 인자는 범용적입니다.

주요 기여

1. NIMO 알고리즘 포트폴리오

NIMO는 탐색 목표에 따라 분류된 12가지 알고리즘을 통합하여, 사용자가 외부 패키지를 찾아 헤맬 필요가 없도록 합니다.

• 최적화(Optimization):
  • PHYSBO: 가우시안 프로세스를 사용하는 이산 공간 베이지안 최적화 (단일/다중 목적).
  • BOMP: 배치 내에서 공유 공정 파라미터를 강제하는 재료 공정 베이지안 최적화.
  • NTS: 다양성 보존을 동반한 임계값 기반 선택을 위한 중첩 톰슨 샘플링(Nested Thompson Sampling).
  • COMBI: 조합 스퍼터링 물리학을 모사하는 조성 확산 탐색.
• 타겟 범위 및 목적 자유형(Target-Range & Objective-Free):
  • PTR: 물성을 특정 윈도우 안으로 유도하기 위한 타겟 범위 확률(Probability of Target Range).
  • BLOX: Stein 불일치를 사용하여 다양한 물성 공간을 매핑하기 위한 경계 없는 목적 자유 탐색(Boundless Objective-free eXploration).
• 범주형 및 랭킹(Categorical & Ranking):
  • PDC: 범주형 라벨을 위한 준지도 학습 분류를 이용한 상평도 구축.
  • RSVM: 서수 최적화 및 전이 학습을 위한 랭킹 서포트 벡터 머신.
• 초기 샘플링 (학습 데이터 없음):
  • RE: 무작위 탐색(Random Exploration).
  • DOE: 실험 계획법 (Greedy, Distance, D-optimal, LHS).
  • ES: 전수 조사(Exhaustive Search).
• LLM 기반:
  • LLMEP: 자연어 가이드 기반 선택 및 텍스트 값 목적 함수를 위한 LLM 기반 실험 플래너.

2. 검증된 6가지 SDL 구현 사례

저자들은 동일한 핵심 로직과 파일 형식을 사용하여 6가지 서로 다른 도메인에서 NIMO의 다재다능함을 입증했습니다.

• NAREE: 마이크로 플레이트 기반 전기화학 플랫폼을 사용하여 리튬 금속 음극용 자율 전해질 발견 (4,368가지 조합).
• CHEMSPEED: SFC와 결적으로 결합된 Chemspeed 합성 플랫폼을 통한 Suzuki-Miyaura 커플링 반응 최적화.
• COMBAT: 조합 스퍼터링과 COMBI 알고리즘을 사용하여 스핀트로닉스용 5원계 합금의 자율 박막 탐색.
• ROPES: 코팅 및 건조 파라미터를 최적화하는 연료 전지 촉매층 제조 공정 정보학.
• Coffee Ring SDL: 커피 링 효과의 상 경계를 매핑; 특히 IvoryOS 오케스트레이션 프레임워크와의 원활한 상호 운용성을 입증함.
• BioDot: 레거시 Visual Basic 제어 액체 디스펜서와의 통합을 통해, 수정 없이 비-Python 기반의 레거시 하드웨어와 인터페이스할 수 있는 NIMO의 능력을 증명함.

3. NIMO 데스크톱

비프로그래머의 접근성을 높이기 위해 저자들은 크로스 플랫폼(Windows/macOS) GUI인 NIMO 데스크톱을 도입했습니다. 이는 "Selection"(알고리즘 선택 및 제안 생성)과 "Update"(실험 결과 기록)라는 두 개의 탭을 통해 폐쇄 루프 워크플로를 재현합니다. 이는 Python API와 동일한 데이터 구조를 공유하여 호환성을 보장합니다.

결과

본 논문은 위에서 언급한 6가지 SDL에 대한 성공적인 배포를 통해 NIMO을 검증합니다. 주요 성과는 다음과 같습니다.

• 상호 운용성: NIMO은 현대적인 Python 기반 로봇부터 레거시 Visual Basic 시스템 및 웹 기반 오케스트레이션 프레임워크(IvoryOS)에 이르기까지 다양한 하드웨어를 성공적으로 제어했습니다.
• 효율성: NAREE 전해질 발견에서 NIMO은 거대한 조합 공간을 효율적으로 탐색하여 최적의 배합을 찾아냈습니다. CHEMSPEED 합성에서는 Suzuki-Miyaura 커플링을 위한 최적의 반응 조건을 빠르게 수렴시켰습니다.
• 유연성: 시스템은 단일 지표 극대화(방전 시간, 수율)부터 상도 구축 및 다중 파라미터 제조 공정 최적화에 이르기까지 다양한 목적을 성공적으로 처리했습니다.
• 접근성: NIMO 데스크톱 애플리케이션은 코딩 기술 없이도 인간 참여형(human-in-the-loop) 탐색을 가능하게 했으며, 파일 기반 인터페이스는 기존 실험실 인프라와의 통합을 허용했습니다.

의의 및 향-후 전망

본 논문은 NIMO가 AI 로직과 하드웨어 제어를 분리함으로써 자율 과학의 "통합 병목 현상"을 해결한다고 주장합니다. 그 의의는 다음과 같습니다.

• 민주화: 데스크톱 앱을 통한 비프로그래머의 접근성 제고 및 CSV 인터페이스를 통한 레거시 실험실로의 확장.
• 모듈성: 통합 코드를 다시 작성할 필요 없이 알고리즘 인자를 변경하는 것만으로 단일 시스템을 다양한 재료 탐색 작업에 재사용할 수 있음.
• 확장성: 후보군 설계는 서로 다른 실험실이 각자의 장비와 전문 지식을 사용하여 표준 데이터 파일을 통해 소통하며 공유된 후보군에서 협업할 수 있는 글로벌 연결 SDL의 비전을 촉진함.

저자들은 NIMO의 미래가 알고리즘 포트폴리오 확장(예: 다중 충실도 BO, LLM 증강 최적화), 사용자 인터페이스 강화(Model Context Protocol 지원 포함), 그리고 상호 연결된 자율 실험실 네트워크 구축에 있다고 결론짓습니다. 그들은 자율적 발견을 진전시키기 위해서는 재료 탐색의 실제 제약과 워크플로를 본질적으로 체득한 알고리즘, 즉 "과학을 위한 AI(AI for Science)"가 필요함을 강조합니다.