Unmodeled states and uncertain action outcomes in agentic scanning tunneling microscopy
이 논문은 최첨단 LLM 에이전트가 짧은 인간 교육 후에 복잡한 주사 터널링 현미경 팁 컨디셔닝을 자율적으로 수행할 수 있음에도 불구하고, 이들의 효과성이 궁극적으로 모델링되지 않은 실험 상태와 불확실한 행동 결과에 의해 제약된다는 점을 입증하며, 향후 자율 시스템이 숨겨진 역학을 추론하고 실제 기기의 제한 사항 내에서 작동해야 할 필요성을 강조한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
물리학 실험실의 조용하고 통제된 세계에서 과학자들은 보이지 않는 것을 보기 위해 종종 기계에 의존한다. 그러한 기계 중 하나가 주사 터널링 현미경(scanning tunneling microscope)으로, 물질의 표면을 원자 하나하나 단위로 매핑할 수 있을 만큼 매우 민감한 장치이다. 이를 위해 이 장치는 끝부분이 단 하나의 원자보다 넓지 않은 탐침(probe tip)을 사용한다. 이 탐침은 날카로운 눈 역할을 할 수 있도록 완벽한 모양을 갖추어야 한다. 만약 탐침이 뭉툭하거나 손상되면, 생성되는 이미지는 흐릿하고 쓸모없게 된다. 전통적으로 이 탐침을 준비하는 과정은 인간 전문가가 미세한 조정을 하고, 무슨 일이 일어나고 있는지 추측하며, 이미지가 선명해질 때까지 다시 시도해야 하는 느리고 좌절스러운 과정이었다. 이는 숨겨진 변수에 의해 지배되는 작업이다. 즉, 과학자는 탐침의 모양을 직접 볼 수 없으며, 오직 그것이 찍어내는 사진을 통해서만 추론할 수 있을 뿐이다. 이제 새로운 종류의 조력자가 실험실에 등장했다. 바로 명령을 읽고, 결과를 관찰하며, 스스로 결정을 내릴 수 있는 인공지능 에이전트이다. 연구자들이 답을 얻고자 했던 질문은, 결과가 불확실하고 기계가 예상치 못한 방식으로 작동할 때도 이러한 에이전트가 스스로 이 섬세한 탐침들을 고치는 법을 배울 수 있는가 하는 것이었다.
보스턴 칼리지의 한 연구팀은 거대 언어 모델(large language model)로 알려진 특정 유형의 인공지능을 사용하여 이 아이디어를 테스트하기 위해 나섰다. 이러한 모델들은 방대한 양의 텍로 학습되어 복잡한 문제를 추론할 수 있지만, 일이 항상 계획대로 되지 않는 물리적 실험의 무질서한 현실 속에서 테스트된 적은 거의 없다. 과학자들은 AI와 현미경 사이의 가교 역할을 할 '퀘일봇(Quailbot)'이라는 시스템을 구축했다. 이 시스템을 통해 AI는 기계에서 들어오는 데이터를 보고, 설정을 변경하는 명령을 보낼 수 있었다. 연구자들은 먼저 스승으로부터 배우는 도제처럼, AI에게 현미로 가이드된 연습 기간을 통해 현미경 조작법을 가르쳤다. 이 기간 동안 인간 전문가는 AI에게 탐침을 흔들어 모양을 다시 잡는 법과 전압 펄스를 가해 세척하는 법을 보여주었다. AI는 단순히 단계들을 배우는 것에 그치지 않고, 자신이 보는 이미지를 사용하여 다음 단계로 무엇을 할지 결정함으로써 단계가 효과가 있었는지 판단하는 법까지 배웠다.
훈련이 완료되자, 연구자들은 AI가 완전히 독자적으로 실험을 수행하도록 내버려 두었다. 그들은 의도적으로 좋지 않은 이미지를 생성하는 손상된 탐침에서 시작했다. AI는 탐침을 움직이고 전압을 조절하는 명령을 보내며 작업을 시작했다. AI는 실시간으로 이미지가 형성되는 것을 관찰했다. AI는 돌출부가 탐침 쪽으로 솟아오르는 것을 보자, 충돌의 위험을 피하기 위해 뒤로 물러나기로 결정했다. 또한 이미지에서 이물질을 암시하는 이상한 삼각형 모양을 발견하자, 전략을 바꾸어 탐침을 새로운 위치로 이동시켰다. 약 70분간의 독립적인 작업 끝에, AI는 작업을 마쳤다고 선언했다. 최종적으로 생성된 이미지는 원자들의 명확하고 날카로운 패턴을 보여주었으며, 이는 이후 인간 전문가에 의해 성공적인 것으로 확인되었다. 두 번째 테스트에서 연구자들은 기계적 문제를 도입했다. 탐침을 움직이는 부품이 걸려 움직이지 않게 된 것이다. AI는 움직임이 예상대로 작동하지 않는다는 것을 알아차렸고, 전략을 수정하여 더 작은 단계로 움직이며 결과를 더 자주 확인했다. 결국 AI는 기계가 오작동하는 상황에서도 성공적으로 탐침을 준비해냈다.
그러나 이 실험은 이 새로운 종류의 자율성이 가진 한계 또한 드러냈다. 한 시나리오에서 연구자들은 AI가 시작하기 전에 몰래 탐침을 구부려 놓았다. AI는 갑작스러운 전류 스파이크와 같은 이상 행동을 목격했고, 자신이 배운 것을 바탕으로 이를 설명하려고 시도했다. AI는 탐침의 다른 지점이 표면에 닿아 있을 수도 있다고 추측했지만, 탐침이 물리적으로 구부러졌다는 사실은 결코 깨닫지 못했다. AI는 자신이 아는 모든 해결책을 시도했지만, 구부러진 것을 볼 수 없었기에 문제를 해결할 수 없었다. 또 다른 사례에서, AI는 표면이 불순물로 덮여 있어 깨끗한 영역을 찾는 데 어려움을 겪었다. AI는 탐침을 교체할 것을 제안했지만, 실제 해결책은 인간이 물리적으로 샘플 홀더를 회전시키는 것이었으며, 이는 소프트웨어가 제어할 수 없는 기계적 동작이었다. 일단 인간이 그 회전을 수행하자 AI는 작업을 빠르게 마칠 수 있었는데, 이는 탐침 자체는 문제가 없었으며 단지 바라볼 깨끗한 곳이 필요했을 뿐임을 시사했다.
이러한 결과는 인공지능이 복잡한 물리적 과업을 성공적으로 관리할 수 있음에도 불구하고, 아직 모든 상황에서 인간의 판단을 대체할 수는 없음을 보여준다. AI는 경험으로부터 배울 수 있고, 예상치 못한 변화에 적응하며, 일련의 결정이 필요한 문제를 해결할 수 있음을 증명했다. 또한 전압 펄스가 탐침을 더 날카롭게 만들지 아니면 더 손상시킬지에 대한 불확실성도 다룰 수 있었다. 하지만 문제가 기계가 제공할 수 있는 정보의 범위를 벗어난 경우—예를 들어 구부러진 탐침이나 물리적 회전이 필요한 기계적 걸림 현상 등—AI는 벽에 부딪혔다. AI는 무언가 잘못되었다는 것은 인식할 수 있었지만, 그것이 왜 발생했는지 혹은 어떻게 고쳐야 하는지는 도움 없이 스스로 알아낼 수 없었다. 이 연구는 과학이 진정으로 자율적이 되기 위해서는, 기계 자체가 AI에게 더 완전한 정보를 제공하고 더 넓은 범위의 물리적 행동을 수행할 수 있도록 설계되어야 함을 시사한다. 그때까지 가장 효과적인 실험은 기계가 일상적인 업무를 처리하고 인간이 예외적인 상황을 처리하는 파트너십 형태로 남을 것이다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.