Hierarchical automation of scanning probe microscopy through agentic orchestration and algorithmic control

과학은 오랫동안 인간의 호기심과 기계의 정밀함 사이의 파트너십에 의존해 왔습니다. 연구자는 질문을 던지고, 실험을 설계한 뒤, 도구가 데이터를 수집하는 과정을 지켜보며, 관찰된 결과에 따라 접근 방식을 조정하기 위해 다시 설계도로 돌아가곤 합니다. 이러한 관찰과 조정의 순환은 발견의 심장박동이지만, 동시에 인간이 생각할 수 있는 속도와 한 번에 추적할 수 있는 변수의 수에 의해 제한되는 느린 과정이기도 합니다. 최근 몇 년 동안 컴퓨터는 이러한 사고 작업의 더 많은 부분을 맡기 시작했습니다. 흔히 '에이전트(agent)'라고 불리는 인공지능 시스템은 이제 평이한 언어로 쓰인 지시 사항을 읽고, 다양한 유형의 정보를 결합하며, 다음에 무엇을 할지 결정할 수 있습니다. 그러나 이 시스템들이 완벽한 것은 아닙니다. 물리학의 엄밀한 수치, 즉 정확한 거리 측정, 정밀한 힘의 계산, 또는 아주 작은 프로브를 특정 지점으로 이동시키는 문제에 있어서는, 순수한 지능적 추론이 불안정하거나 일관성이 없거나, 혹은 단순히 너무 느릴 수 있습니다. 현대 과학의 과제는 인간의 정신을 로봇으로 대체하는 것도, 로봇이 제멋대로 달리게 두는 것도 아니라, 그 둘 사이의 적절한 균형을 찾는 것입니다.

한 연구팀은 역할을 명확히 분리하여 실험을 수행하는 새로운 방법을 개발했습니다. 그들은 인공지능 에이전트가 전략가로서 무엇을 찾을 것인지와 그 이유를 결정하고, 별도의 경직된 컴퓨터 프로그램이 기술자로서 정확한 측정과 움직임을 담당하는 시스템을 만들었습니다. 이 접근 방식은 개별 원자 규모에서 물질의 전기적 특성을 느낄 수 있는 강력한 현미경을 대상으로 테스트되었습니다. 목표는 물질의 아주 작은 영역인 '도메인(domain)'이 어떻게 전기적 방향을 바꾸는지 이해하는 것이었습니다. 과거에는 과학자가 수동으로 표면을 스캔하고, 흥미로운 지점을 선택하고, 하나씩 테스트를 실행해야 했습니다. 이 새로운 시스템은 광범위한 질문에서 시작하여 명확한 답, 혹은 적어도 무엇을 답할 수 없는지에 대한 명확한 이해에 도달할 때까지 이 모든 과정을 스스로 수행합니다.

실험은 복잡한 내부 구조를 가진 것으로 알려진 세라믹 재료 조각으로 시작되었습니다. 연구자들은 컴퓨터 시스템에 단 하나의 개방형 지시 사항을 주었습니다: "이러한 미세한 전기적 도메인의 국부적 배열이 방식에 어떤 영향을 미치는지 밝혀내라." 시스템은 어디를 보아야 할지, 무엇을 측정해야 할지, 얼마나 오래 계속해야 할지 알지 못했습니다. 먼저, 에이전트는 재료 표면의 광범적 스캔을 살펴보았습니다. 그것은 현미경이 생성하는 다양한 유형의 이미지, 예를 들어 표면 높이 이미지와 전기적 힘에 대한 물질의 반응을 보여주는 이미지를 검토했습니다. 에이전트는 이 중 어떤 이미지가 당면한 과제에 가장 유용한지를 결정했습니다. 그것은 전기적 반응과 표면 형상이 핵심적인 단서이며, 다른 신호들은 덜 중요하다는 것을 판별해 냈습니다.

에이전트가 무엇을 찾아야 할지 알게 된 후, 이제 모호한 개념인 "흥미로운 지점"을 기계가 따를 수 있는 지도로 번역해야 했습니다. 그것은 전기적 상태가 강한 구역, 서로 다른 영역 사이의 경계 근처 구역, 그리고 표면이 거칠거나 고르지 않은 지점과 같은 특정 특징을 찾기 위한 규칙 세트를 만들었습니다. 결정적으로, 에이전트는 안전 지도(safety map)도 구축했습니다. 그것은 현미경 프로브가 끼일 수 있거나 데이터가 신뢰할 수 없게 되는 구역, 예를 들어 깊은 흠집이나 떨어진 입자가 있는 곳을 식었습니다. 이 안전 지도는 가드레일 역할을 하여, 기계가 실험을 망칠 수 있는 곳에서 측정을 시도하지 않도록 보장했습니다.

이러한 지도들이 준비되자, 시스템은 작업을 시작했습니다. 시스템은 경계 근처와 같은 자신의 규칙과 일치하는 지점을 안전 지도에서 선택했습니다. 그다음에는 별도의 결정론적(deterministic) 프로그램이 제어권을 넘겨받았습니다. 이 프로그램은 정확한 좌표를 계산하고, 현미경 프로브를 그 정밀한 지점으로 이동시킨 뒤, 재료가 전기적 상태를 어떻게 전환하는지 확인하기 위한 테스트를 실행했습니다. 테스트는 전압 변화에 따라 재료가 어떻게 반응하는지를 보여주는 루프 데이터를 생성했습니다. 에이전트는 이 루프를 검토했습니다. 그것은 숫자를 재계산하는 대신, 결과의 품질을 판단했습니다. "신호가 명확한가? 루프가 완전한가? 우리가 알아야 할 것을 말해주고 있는가?"라고 자문했습니다. 만약 루프가 너무 노이즈가 심하거나 불완전하다면, 에이전트는 다음 테스트를 위해 설정을 변경하기로 결정했습니다. 예를 들어, 더 명확한 그림을 얻기 위해 전압 범위를 넓히는 식의 결정입니다.

시스템은 이 순환을 반복하며 지점을 옮겨 다녔고, 진행하면서 학습했습니다. 그것은 단순히 무작위로 지점을 고른 것이 아니라, 적극적으로 새로운 정보를 찾아 나섰습니다. 만약 이미 경계 근처의 많은 지점을 테스트했다면, 경계에서 떨어진 곳을 찾아 차이점을 확인하기로 결정할 수도 있었습니다. 그것은 실시간으로 전략을 조정하며 지식의 공백을 채워 나갔습니다. 일련의 측정 후에 시스템은 중요한 사실을 포ر착했습니다. 그것은 연구 중인 영역에서, 경계로부터 멀리 떨어져 있으면서 동시에 약한 전기적 상태를 가진 지점을 찾는 것이 불가능하다는 것을 발견했습니다. 약한 지점을 찾으려고 할 때마다 결국 경계 근처에 도달하게 된 것입니다. 에이전트는 이 특정 샘플에서 두 가지 연구 대상이 서로 얽혀 있다는 것을 깨달았습니다. 이 특정 재료에서는 두 효과를 분리할 수 없었습니다. 가용 가능한 영역 내에 적절한 특징의 조합이 존재하지 않았기 때문입니다.

이러한 깨달음은 발견의 핵심적인 부분이었습니다. 시스템은 단순히 시간이 다 될 때까지 측정을 반복하는 데 그치지 않았습니다. 대신, 이 특정 재료로부터 배울 수 있는 한계에 도달했음을 인식했습니다. 시스템은 실험을 중단하며, 많은 유용한 데이터를 수집했음에도 불구하고 현재의 조건 하에서는 주어진 질문에 완전히 답할 수 없다는 결론을 내렸습니다. 시스템은 자신이 무엇을 찾았고, 무엇을 놓쳤으며, 왜 더 이상 나아갈 수 없는지를 성공적으로 식별해 낸 것입니다.

연구자들은 이러한 유연한 사고와 경직된 실행의 조합이 어느 한쪽의 접근 방식보다 더 효과적이라는 것을 발견했습니다. 에이전트는 큰 그림을 이해하고 새로운 정보에 적응하는 데 뛰어났지만, 정밀한 수학 계산과 움직임은 결정론적 프로그램에 의존했습니다. 경직된 프로그램이 없었다면 에이전트는 계산 오류를 범하거나 프로브를 엉뚱한 곳으로 이동시켰을 것입니다. 에이전트가 없었다면 프로그램은 고정된 계획만을 따랐을 것이며, 데이터가 이상해 보이거나 실험의 방향을 바꿔야 할 때 적응하지 못했을 것입니다. 역할을 분리함으로써 시스템은 똑똑하면서도 신뢰할 수 있게 되었습니다.

결국, 이 실험은 과학적 자동화를 위한 새로운 경로를 보여주었습니다. 그것은 기계에게 광범위한 목표를 부여하고, 계산과 제어라는 무거운 작업은 신뢰할 수 있고 변하지 않는 코드가 처리하도록 하는 한, 기계가 세부 사항을 스스로 파악할 수 있음을 보여주었습니다. 시스템은 단순히 데이터를 수집하는 것에 그치지 않았습니다. 그것은 데이터를 해석하고, 계획을 조정하며, 언제 멈춰야 할지를 알았습니다. 이는 자율적인 실험이 단순히 인간이 하는 일을 더 빠르게 수행하는 버전 그 이상이 될 수 있음을 증명했습니다. 그것은 증거의 한계를 이해하고, 질문에 대한 답이 나왔을 때, 혹은 답이 현재의 설정 범위를 벗어나 있을 때 언제 멈춰야 하는지를 아는 파트너가 될 수 있음을 보여주었습니다. 이 접근 방식은 복잡한 재료를 탐구함에 있어 이전에는 도달할 수 없었던 수준의 적응성과 엄밀함을 제공하며, 더욱 효율적이고 통찰력 있는 과학적 발견의 문을 열어주고 있습니다.