AEcroscopyWave: Towards Self-Driving Characterization Platforms for Agentic AI

기술 요약: AEcroscopyWave: 에이전틱 AI를 위한 자율형 특성 분석 플랫폼을 향하여

문제 정의
전자 재료의 특성 분석은 현재 두 가지 구별되지만 종종 호환되지 않는 체제 내에서 운영되고 있습니다. 하나는 결함 검사를 위해 설계된 고처리량, 산업 규모의 자동화 시스템으로 유연성이 제한적이며, 다른 하나는 연구 수준의 발견을 제공하지만 인간의 개입으로 인해 대역폭이 제한되는 고도로 맞춤화된 운영자 주도 시스템입니다. 최근의 "자율 주행(self-driving)" 실험실들이 사전 정의된 파라미터 공간 내에서 능동 학습을 위해 AI를 통합함으로써 이 간극을 메우기 시작했지만, 현재의 자율 플랫폼은 상당한 한계에 직면해 있습니다. 전통적인 계측기 자동화는 고정된 워크플로우와 사전 정의된 액션 공간(예: 허용된 작업 목록에서 선택)에 의존하며, 이는 AI가 실시간으로 실험 프로토콜을 창의적으로 적응하는 것을 제한합니다. AI가 에이전틱(agentic) 능력—즉, 추론, 가설 생성 및 자율적 계획이 가능한 시스템—으로 진화함에 따라, 기존의 인터페이스는 AI 에이전트가 단순히 고정된 제약 조건 내에서 최적화하는 것을 넘어, 완전히 새로운 여기 파형(excitation waveforms)을 생성하는 것과 같은 새로운 실험 조건을 설계하는 데 필요한 풍부하고 제약 없는 상호작용을 지원하지 못하고 있습니다.

방법론 및 아키텍처
이러한 한계를 해결하기 위해 저자들은 에이전틱 AI 시대를 위해 특별히 설계된, 기존 AEcroscopy 플랫폼의 진화형인 AEcroscopyWave를 개발했습니다. 방법론은 단일 구조의 로컬 실행 모델에서 분산형 에이전트 기반 아키텍처로의 근본적인 아키텍처 전환을 포함합니다.

• 분산형 서버-클라이언트 모델: 시스템은 계획, 인간의 감독 및 실행을 네트워크를 통해 분리합니다. FastAPI와 SQLite 데이터베이스로 구축된 중앙 클라우드 서버(afm-server)가 계측기 레지스트리와 작업 큐를 관리합니다. 하드웨어(예: VERO, Nanosurf, Cypher AFM)에서 실행되는 계측기별 에이전트(afm-agent)는 REST API를 통해 서버를 폴링(polling)하고 작업을 실행합니다.
• 모델 컨텍스트 프로토콜(MCP) 통합: 시스템을 "에이전트 친화적"으로 만들기 위해, 저자들은 MCP 도구 서버를 구현했습니다. 이는 현미경 기능(예: set_setpoint, move_tip)과 사전 정의된 워크플로우를 일관된 호출 규약을 가진 발견 가능한 도구로 노출합니다. 이를 통해 대규모 언어 모델(LLM)은 복잡한 추상 코드 블록을 파싱할 필요 없이 AEcroscopyWave 함수를 직접 호출할 수 있습니다.
• 안전 및 검증 레이어: 안전을 강제하기 위한 핵심 요소는 "승인 게이트(approval gates)"를 통한 검증입니다. 모든 작업(표준 워크플로우 또는 커스 커스텀 스크립트 모두)은 실행 전 다음 단계를 거쳐야 합니다:
  1. 하드웨어 핸들러 체크: 명령이 등록된 하드웨어 역량과 일치하는지 확인합니다.
  2. 디지털 트윈 검증: 커스텀 스크립트는 물리적 하드웨어에 위험을 초래하지 않고 구문 및 논리 오류를 검증하기 위해 가상 현미경(디지털 트윈)에서 먼저 실행됩니다.
  3. 인간 승인: Streamlit 대시보드에는 LLM 지원 플래너와 승인 큐가 포함되어 있어, 전문가가 작업 큐에 진입하기 전 워크플로우를 검토하고 승인합니다.
• 프로그래밍 가능한 파형 생성: 고정된 파형의 파라미터 튜닝에 국한되었던 이전 버전과 달리, AEcroscopyWave는 임의의 온더플라이(on-the-fly) 파형 생성을 지원합니다. 3계층 아키텍처를 통해 AI 에이전트는 프리미티브 라이브러리를 사용하여 복잡한 여기 신호(예: 펄스 열, 처프 신호)를 생성하고, 이를 등록한 후 동적으로 계측기에 업로드할 수 있습니다.
• 하드웨어 인터페이스: 플랫폼은 다양한 현미경 도구(AFM, STM, STEM)에 대한 통합 제어를 제공하며, 데이터 획득 시스템(National Instruments via LabVIEW, Liquid Instruments, Zurich Instruments)과 인터페이스합니다.

주요 기여

1. 에이전틱 네이티브 아키텍처: 스크립트 기반 자동화에서 계획과 실행을 분리하는 분산형 에이전트 주도 모델로의 전환을 통해, AI가 단순히 파라미터를 선택하는 것을 넘어 실험 전략을 설계할 수 있게 합니다.
2. 동적 파형 합성: AI 에이전트가 고정된 라이브러리의 최적화를 넘어, 완전히 새로운 사용자 정의 여기 파형을 실시간으로 생성하고 배포할 수 있는 능력을 제공합니다.
3. MCP 기반 도구 노출: LLM을 위한 계측기 제어를 표준화하는 MCP 서버를 구현하여, 생성형 AI와 과학 계측 장비의 통합을 용이하게 합니다.
4. 안전 프레임워크: 민감한 과학용 하드웨어에서 AI가 생성한 코드를 안전하게 실행하기 위해 디지털 트윈 검증과 인간 참여형(human-in-the-loop) 승인 게이트를 통합했습니다.

결과
저자들은 ~200nm 두께의 BaTiO₃ (BTO) 박막 내 강유전체 스위칭과 관련된 사례 연구를 통해 플랫폼의 능력을 입증했습니다.

• 실험 설계: 팀은 AEcroscopyWave를 활용하여 이전 전기적 컨디셔닝(conditioning)과 포스트 컨디셔닝 지연(post-conditioning delay)이 분극 스위칭에 미치는 영향을 테스트하는 무작위 완전 요인 스크리닝(randomized full factorial screen)을 수행했습니다. 실험에는 다양한 컨디셔닝 진폭 및 지연 시간을 가진 펄스 열 형태의 압전 반응력 현미경(PFM) 파형을 동적으로 생성하는 과정이 포함되었습니다.
• 실행: 플랫폼은 72개의 서로 다른 조건을 성공적으로 실행하였으며, 커스텀 파형을 자동으로 업로드하고 PFM 이미지를 획득했습니다.
• 발견: 연구 결과 72개 조건 중 42개에서 스위칭이 관찰되었습니다. 분석 결과, 중간 단계의 서브스레숄드(subthreshold) 컨디셔닝 진폭($f=0.5$)에서 가장 높은 스위칭 확률(0.75)과 최대 평균 도메인 면적이 나타나는 비단조적(non-monotonic) 컨디셔닝 효과가 확인되었습니다. 통계적 유의성은 미미했으나, 결과는 중간 단계의 컨디셔닝이 컨디셔닝이 없거나 더 강한 서브스레숄드 컨디셔닝을 적용했을 때보다 스위칭을 더 향상시킬 수 있음을 시사했습니다. 또한, 지점 간 변동성 및 시간 의존성 피팅은 이동성 표면 이온과 결합된 확장된 결함 네트워크의 존재를 나타냈습니다.
• 플랫폼 성능: 실험은 전체 프로토콜을 재설계하지 않고도 펄스 극성, 타이밍, 진폭을 유연하게 조정할 수 있는 플랫폼의 능력을 강조하였으며, 복잡한 재료 역학을 조사하는 데 있어 맞춤형 파형의 유용성을 입증했습니다.

의의 및 주장
본 논문은 AEcroscopyWave가 에이전틱 AI의 도래를 뒷받침하기 위한 과학 계측 장비의 필수적인 진화임을 역설합니다. 저자들은 이 플랫폼이 이질적인 과학 계측 장비를 에이전트가 접근 가능하고, 구성 가능하며, 사용 가능하게 만듦으로써, 수동적인 데이터 분석에서 능동적이고 창의적인 실험 설계로의 전환을 가능하게 한다고 주장합니다. 그 의의는 AI 에이전트가 실험을 자율적으로 실행할 뿐만 아니라, 진화하는 과학적 관찰에 대응하여 새로운 파형을 생성하는 것과 같은 실험 전략을 발명, 정제 및 적응할 수 있게 하며, 이 과정에서 인간의 감독과 안전을 유지한다는 점에 있습니다. 저자들은 이를 인간의 계획과 AI의 실행 사이의 경계가 유동적인, 차세대 자율 현미경 플랫폼을 향한 기초적인 단계로 규정합니다.