Molecular LLM Agents: From Architectural Design to Scientific Autonomy

현대 과학의 광활한 풍경 속에서, 새로운 분자를 찾는 과정은 시행착오가 반복되는 고위험 게임입니다. 과학자들은 의약품, 재료 또는 촉매제로 작용할 수 있는 특정 화학 구조를 찾아내야 하지만, 가능한 조합의 수가 너무나 방대하여 하나씩 테스트하는 것은 불가능합니다. 전통적으로 이 과정은 직관과 경험을 사용하여 어떤 화학적 형태가 효과적일지 추측하고, 그 추측을 확인하기 위해 컴퓨터 시뮬레이션이나 물리적 실험실 테스트를 수행하는 인간 전문가에게 의존해 왔습니다. 결과가 틀리면 인간은 추측을 수정하고 다시 시도합니다. 이러한 추측, 테스트, 그리고 개선의 순환은 발견의 엔진이지만, 이는 느리고 비용이 많이 들며, 인간이 얼마나 빨리 생각할 수 있는지와 한 번에 얼마나 많은 실험을 수행할 수 있는지에 의해 제한됩니다.

최근에는 이를 가속화할 것을 약속하는 새로운 유형의 컴퓨터 프로그램이 등장했습니다. 이들은 에세이를 쓰거나 질문에 답할 수 있는 것과 같은 종류의 기술인 대규모 언어 모델이며, 이를 화학에 적용한 것입니다. 단순히 텍스트를 읽는 것을 넘어, 이 프로그램들은 화학 구조를 이해하고, 시뮬레이션을 실행하며, 심지어 실험실 로봇을 제어하도록 학습되고 있습니다. 그러나 컴퓨터에게 화학 도구에 대한 접근 권한을 주는 것만으로 컴퓨터가 자동으로 과학자가 되는 것은 아닙니다. 컴퓨터는 지시사항을 완벽하게 따를 수는 있지만, 왜 특정 분자가 작동하는지에 대한 더 깊은 논리를 이해하거나 실험이 잘못되었을 때 어떻게 문제를 해결해야 하는지를 이해하지 못할 수도 있습니다. 연구자들이 직면한 질문은 단순히 이 프로그램들이 화학에 대해 이야기할 수 있는지 여부가 아니라, 인간의 지속적인 도움 없이도 실제로 과학자처럼 생각하고, 독립적인 결정을 내리며, 자신의 성공과 실패로부터 배울 수 있는지 여부입니다.

아시아 전역의 여러 기관 소속 연구진은 현재 분자 인공지능 에이전트들이 어디에 위치해 있으며 어디로 가야 하는지를 정확히 지도화했습니다. 그들은 새로운 로봇을 만들거나 새로운 화학식을 작성한 것이 아니라, 이러한 디지털 에이전트가 어떻게 작동하는지, 무엇을 할 수 있는지, 그리고 어떤 위험을 초래할 수 있는지를 이해하기 위한 포괄적인 프레임워크를 구축했습니다. 이 복잡한 시스템을 핵심 요소로 분해함으로써, 연구진은 일부 에이전트가 이미 일상적인 업무를 보조할 수 있지만, 진정한 과학적 독립성은 여전히 먼 목표라는 것을 발견했습니다. 그들은 대부분의 현재 시스템이 실제 화학 세계에서 스스로 행동하는 법을 배우는 초기 단계에 머물러 있음을 보여주는 명확한 발전 사다리를 식별했습니다.

연구진은 이러한 분자 에이전트의 해부학적 구조를 분석하는 것부터 시작했습니다. 그들은 컴퓨터가 과학자로서 행동하기 위해서는 네 가지 뚜렷한 역량이 함께 작동해야 한다는 것을 발견했습니다. 첫째, 컴퓨터는 분자를 "보고" 이해할 수 있어야 합니다. 이는 생각보다 어려운 일인데, 분자는 문자열, 2D 그림, 3D 형태 또는 실험 기기에서 얻은 데이터 등 다양한 방식으로 묘사될 수 있기 때문입니다. 에이전트는 원자의 정확한 배치나 분자의 전하와 같은 중요한 세부 사항을 잃지 않고 이러한 서로 다른 언어들 사이를 번역할 수 있어야 합니다. 만약 번역이 부정확하다면, 컴퓨터는 실제로는 다른 화학 물질을 다루고 있음에도 불구하고 자신이 작업 중인 물질을 오해할 수 있으며, 이는 위험한 오류로 이어질 수 있습니다

둘째, 에이전트는 행동 계획을 세울 수 있는 중앙 "두뇌" 또는 컨트롤러가 필요합니다. 이 시스템의 부분은 "이 특정 박테리아를 죽이는 분자를 찾아라"와 같은 목표를 받아 이를 단계별로 나눕니다. 이 부분은 어떤 도구를 사용할지, 데이터베이스에서 정보를 찾아볼지, 시뮬레이션을 실행할지, 아니면 새로운 화학 구조를 설계할지를 결정합니다. 셋째, 에이전트는 과학적 도구함이 필요합니다. 여기에는 분자가 어떻게 행동할지 예측하는 소프트웨어, 알려진 화학 물질 목록이 담긴 데이터베이스, 그리고 실험실에서 화학 물질을 혼합할 수 있는 물리적 로봇과의 연결이 포함됩니다. 마지막으로, 에이전트는 학습하는 방법을 갖추어야 합니다. 실험이 실패하거나 시뮬레이션이 놀라운 결과를 보여줄 때, 에이전트는 단순히 같은 실수를 반복하는 대신 그 피드백을 사용하여 미래의 계획을 변경해야 합니다.

이 연구의 가장 중요한 기여는 이러한 에이전트들이 실제로 얼마나 독립적인지를 측정하는 새로운 방법입니다. 연구진은 자율 주행 자동차의 독립성을 평가하는 방식과 유사하게, 과학적 자율성의 4단계 척도를 제안했습니다. 가장 낮은 단계에서 에이전트는 단순한 조수입니다. 정해진 지침을 따르거나 질문에 답할 수는 있지만, 매 단계마다 인간이 결정해야 합니다. 컴퓨터가 실수를 하면 인간이 이를 잡아내야 합니다. 이것이 많은 현재 시스템이 작동하는 방식이며, 이들은 유용한 도구로서 작업을 가속화하지만 스스로 결정을 내리지는 못합니다.

다음 단계는 적응형 계산 에이전트입니다. 여기서 컴퓨터는 디지털 환경 내에서 작업하며, 시뮬레이션을 실행하고 관찰된 결과에 따라 자신의 계획을 조정할 수 있습니다. 가상 실험이 실패하면 에이전트는 인간의 허락을 구하지 않고도 다른 접근 방식을 시도할 수 있습니다. 에이전트는 컴퓨터에서 수천 가지 변형을 테스트하여 어떤 것이 유망해 보이는지 학습함으로써 화학적 설계를 최적화할 수 있습니다. 그러나 이 단계는 여전히 디지털 세계에 국한되어 있습니다. 에이전트는 아직 실제 비커를 만지거나 실제 화학 물질을 섞어보지 못했습니다.

세 번째 단계는 큰 도약인 피드백 인식 물리 실험 에이전트입니다. 이 단계에서 에이전트는 실험실에서 실제 실험을 설계하고 실행할 수 있습니다. 로봇 팔을 제어하고, 실제 화학 물질을 섞으며, 실제 기기로부터 결과를 읽을 수 있습니다. 결정적으로, 실험이 잘못되거나 예상치 못한 결과가 발생하면 에이전트는 그 물리적 피드백을 사용하여 다음 움직임을 변경할 수 있습니다. 위험한 반응을 중단시키거나, 온도를 조절하거나, 다른 화학 혼합물을 시도할 수 있습니다. 연구진은 몇몇 고급 시스템이 이러한 능력을 보여주었지만, 로봇이 작업을 시작하기 전에 여전히 인간이 계획을 검증해야 하는 경우가 많다고 언급했습니다. 이 단계에서의 진정한 독립성은 에이전트가 인간이 모든 결정마다 옆에서 지켜보고 있지 않아도 물리적 세계와 그 불확실성을 처리할 수 있음을 의미합니다.

연구진이 '과학적 의제 에이전트(scientific-agenda agent)'라고 부르는 가장 높은 단계는 현재 어떤 시스템도 달성하지 못한 이론적인 목표로 남아 있습니다. 이 에이전트는 단순히 "약을 찾아라"라는 인간의 명령을 따르는 것이 아니라, 어떤 질문을 던지는 것이 가치 있는지를 스스로 결정할 수 있을 것입니다. 이 에이전트는 이전 실험의 모든 데이터를 살펴보고, 특정 접근 방식이 작동하지 않는다는 것을 깨달은 뒤, 완전히 새로운 연구 방향이나 다른 유형의 문제를 제안할 것입니다. 또한 자신의 자원을 관리하고 학습한 내용에 따라 장기적인 전략을 변경할 것입니다. 논문은 우리가 지침을 따르고 간단한 물리적 루프를 실행할 수 있는 에이전트를 보유하고는 있지만, 아직 컴퓨터가 독립적으로 자신의 과학적 의제를 설정할 수 있는 단계에 도달하지 못했음을 명확히 하고 있습니다.

연구진은 또한 기계에게 더 많은 권한을 부여할 때 따르는 위험성을 강조했습니다. 분자 발견의 세계에서 실수는 단순히 틀린 답이 아니라 물리적 위험이 될 수 있습니다. 만약 에이전트가 화학적 지침을 오해한다면, 독성 가스나 폭발을 일으키는 두 물질을 섞도록 로봇에게 명령할 수도 있습니다. 논문은 안전이 사후 고려 사항이 되어서는 안 된다고 주장합니다. 이 에이전트들은 물리적 세계에 영향을 미치는 결정을 내리기 때문에, 설계 단계부터 엄격한 규칙과 안전 점검이 내장되어야 합니다. 연구진은 에이전트가 취하는 모든 행동이 추적 가능해야 하며, 그래야만 문제가 발생했을 때 과학자들이 컴퓨터가 정확히 무엇을 생각했고 왜 그런 선택을 했는지 되돌아볼 수 있다고 제안합니다.

이 연구의 핵심 발견은 단순히 더 많은 도구를 추가하거나 컴퓨터를 더 똑똑하게 만든다고 해서 자동으로 더 자율적이 되지 않는다는 것입니다. 에이전트가 수천 개의 화학 데이터베이스와 로봇 군단을 사용할 수 있다 하더라도, 자신의 실수로부터 배우거나 상황이 잘못되었을 때 계획을 조정할 수 없다면 그것은 여전히 정교한 도구에 불과합니다. 연구진은 현재 기술의 가장 큰 격차가 아이디어를 생성하는 능력이 아니라, 그것을 검증하고 물리적 세계로부터 배우는 능력에 있다는 것을 발견했습니다. 많은 시스템이 새로운 분자를 제안할 수는 있지만, 물리적 실험이 왜 실패했는지 이해하거나 실제 데이터가 컴퓨터 시뮬레이션과 일치하지 않을 때 전략을 조정하는 데 어려움을 겪습니다.

논문은 앞으로 나아갈 길을 제시하며 마무리됩니다. 보조적 발견 단계에서 진정한 과학적 자율성으로 나아가기 위해서, 이 분야는 신뢰할 수 있고 안전한 시스템을 구축하는 데 집중해야 합니다. 이는 컴퓨터가 화학 구조를 더 잘 이해하도록 만들고, 실제 실험의 무질서함을 처리할 수 있도록 보장하며, 우리가 어느 정도의 독립성을 허용할 것인지에 대한 명확한 표준을 개발하는 것을 의미합니다. 연구진은 목표가 인간 과학자를 대체하는 것이 아니라, 데이터와 실험이라는 무거운 짐을 대신 처리해 줄 파트너를 만들어 인간이 거시적인 관점과 발견의 창의적인 측면에 집중할 수 있도록 하는 것이라고 강조합니다. 이러한 시스템이 물리적 경험으로부터 스스로 학습하고 안전하고 독립적인 결정을 내릴 수 있음을 증명하기 전까지, 이들은 진정한 자율적 과학자가 아닌 강력한 조력자로 남을 것입니다.