Enabling large language model agents for high-fidelity many-body perturbation theory calculations

물질 세계를 이해하기 위해 과학자들은 종종 원자가 들뜬 상태가 될 때 어떻게 행동하는지를 관찰합니다. 예를 들어 태양 전지에 빛이 비치거나 칩에 전류가 흐를 때와 같은 상황입니다. 표준 컴퓨터 모델은 원자가 정지해 있는 상태는 묘사할 수 있지만, 전자가 더 높은 에너지 수준으로 도약하거나 결정 격자의 진동과 상호작용할 때 발생하는 현상을 예측하는 데는 어려움을 겪습니다. 이러한 해답을 정확하게 얻기 위해 연구자들은 다체 섭동 이론(many-body perturbation theory)이라고 알려진 일련의 고급 수학적 기법을 사용합니다. 이 방법들은 매우 강력하고 정확하지만, 사용하기가 까다롭기로 악명이 높습니다. 이 기법들을 사용하려면 연구자가 숙련된 지휘자처럼 되어, 각기 다른 언어와 규칙을 가진 여러 소프트웨어 프로그램을 수동으로 연결해야 합니다. 만약 한 프로그램의 설정이 다음 프로그램과 완벽하게 일치하지 않으면, 전체 계산이 실패하며, 이는 종종 수 시간의 컴퓨팅 시간을 낭비한 후에야 알아차리기 어려운 방식으로 나타납니다. 이러한 복잡성 때문에 이 강력한 도구들은 오직 고도로 전문화된 전문가들에게만 허용되어 왔습니다.

연구팀은 이러한 격차를 메우기 위해 인공지능이 이러한 복잡한 계산의 힘든 작업을 처리할 수 있도록 설계된 새로운 시스템을 개발했습니다. 과학자들은 현대의 대규모 언어 모델(고도의 추론 및 지시 수행 능력을 갖춘 고급 AI 시스템)이 스스로 이러한 어려운 워크플로우를 자동으로 설정할 수 있는지 테스트했습니다. 그 결과, 도움 없이는 가장 정교한 AI 모델조차 성공하는 경우보다 실패하는 경우가 더 많다는 것을 발견했습니다. 모델들은 재료의 특성을 매핑하는 데 사용되는 점들의 그리드를 어긋나게 만드는 것과 같은 미세한 오류를 빈번하게 범했으며, 이는 나중에 전체 프로세스를 붕괴시켰습니다. 그러나 연구진이 AI-Donkey라는 새로운 프레임워크를 도입하자 결과는 극적으로 변했습니다. 이 시스템은 지식 가이드 역할을 하며, AI에게 전문가가 큐레이션한 지침과 모든 단계가 다음 단계로 올바르게 연결되도록 보장하는 엄격한 도구 세트를 제공합니다. 이러한 지원을 통해 강력한 상용 모델부터 오픈 소스 버전까지 다양한 AI 에이전트들이 1차원 튜브, 2차원 시트, 고체 블록을 포함한 다양한 재료에 대해 완전하고 오류 없는 계산을 성공적으로 수행할 수 있었습니다.

이 연구가 다룬 문제의 핵심은 이러한 계산의 본질에 있습니다. 단순한 단일 프로그램 내에서 머무르는 일반적인 컴퓨터 시뮬레이션과 달리, 다체 섭동 이론은 한 소프트웨어 패키지의 출력이 다른 소프트웨어의 입력이 되는 일련의 사건 체인을 필요로 합니다. 각 단계는 재료의 대칭성과 원자의 특정 배치와 같은 정밀한 물리적 세부 사항에 의존합니다. 만약 연구자가 첫 번째 단계에서 작은 실수를 한다면, 그 오류는 라인을 따라 전달되어 최종 결과를 오염시킵니다. 연구팀은 현재의 AI 모델들이 코드 작성 및 질문 답변 능력에도 불구하고, 이러한 체인을 신뢰성 있게 관리하는 데 필요한 구체적이고 깊은 도메인 지식이 부족하다는 것을 발견했습니다. 실리콘과 같은 재료에 대한 계산을 설정하라는 요청을 받았을 때, AI는 종가 필요한 설정을 추측하곤 했습니다. 한 테스트에서 AI는 기본적인 계산은 약 절반 정도 성공했지만, 광학적 특성이나 전자 진동을 포함하는 더 복잡한 작업에서는 성공률이 19%까지 떨어졌습니다. 모델들은 그럴듯하게 들리지만 물리적으로는 틀린 설정을 만들어내어, 실행할 수 없거나 쓸모없는 데이터를 생성하는 결과를 초래했습니다.

이를 해결하기 위해 연구진은 AI가 규칙을 추측하게 두지 않는 AI-Donkey 프레임워크를 구축했습니다. 대신, 이 시스템은 AI에게 구조화된 전문가 지식 라이브러리와 일관성을 강제하는 자동화된 도구 세트를 제공합니다. AI를 건물을 설계할 수는 있지만 벽돌이 청사진에 따라 놓이도록 감독할 현장 소장이 필요한 숙련된 건축가라고 생각하십시오. AI-Donkey는 바로 그 현장 소장 역할을 합니다. 이 시스템은 복잡한 계산을 관리 가능한 단계로 나누며, 각 단계는 인간 전문가가 작성한 특정 '기술(skill)' 문서에 의해 안내됩니다. 이 문서들은 정확히 어떤 정보가 필요한지, 컴퓨터가 무엇을 해야 하는지, 그리고 피해야 할 흔한 실수는 무엇인지를 설명합니다. 그러면 AI는 이 문서들을 사용하여 필요한 파일을 생성하고 이들을 서로 연결하는 일련의 컴퓨터 프로그램들을 제어합니다. 컴퓨터 도구들이 기술적인 세부 사항을 처리하고 오류를 자동으로 점검하기 때문에, AI는 더 이상 모든 규칙을 암기하거나 체인을 깨뜨리는 오타를 걱정할 필요가 없습니다.

이 접근 방식의 결과는 놀라웠습니다. 연구진이 동일한 AI 모델들을 AI-Donkey 프레임워크와 함께 테스트했을 때, 성공률은 거의 100%로 급증했습니다. 최상위 상용 모델이든 더 작은 오픈 소스 버전이든, 모든 시도가 모든 검사를 통과하는 완전하고 실행 가능한 워크플로우를 생성했습니다. 시스템은 반복된 실험에서도 일관되게 작동하여, 지원받지 못한 모델들에서 나타났던 무작위 실패를 제거했습니다. 연구진은 AI가 몰리브덴과 셀레늄으로 구성된 단층 화합물, 그래핀이라 불리는 탄소 원자 시트, 탄소 원자 튜브 등 다양한 재료의 특성을 자율적으로 계산하게 함으로써 이 능력을 입증했습니다. 각 사례에서 AI는 해당 재료의 독특한 구조에 필요한 특정 설정을 정확히 식별하고, 강력한 슈퍼컴퓨터에서 계산을 실행했으며, 결과까지 분석하여 전자가 어떻게 행동하는지에 대한 시각화 자료를 만들어냈습니다.

또한 이 연구는 재료의 진동과 전자의 상호작용을 연구하는 데 사용되는 GW 섭동 이론이라는 특히 어려운 계산을 다룸으로써 AI가 이 분야에서 할 수 있는 일의 경계를 넓혔습니다. 이 특정 작업은 이전에 자동화된 적이 없으며 네 가지 서로 다른 소프트웨어 패키지를 조율해야 합니다. AI-Donkey 프레임워크 없이는 AI 모델들이 프로그램들을 연결하기 위한 엄격한 요구 사항을 파악하지 못해 완전히 실패했습니다. 그러나 프레임워크를 통해서는 AI가 네 가지 소프트웨어 간의 복잡한 의존성을 정확하게 처리하며 전체 과정을 성공적으로 완료했습니다. 여기에는 실리콘 카바이드와 같은 극성 반도체가 전기장에 어떻게 반응하는지를 계산하는 작업이 포함되었는데, 이는 모델링하기 어려운 장거리 힘을 정밀하게 다루어야 하는 작업입니다. 연구진은 AI가 일반적으로 인간 과학자들에게 지루하고 시간이 많이 걸리는 작업인 '수렴성 테스트(convergence testing)'와 같이 고급 작업을 수행할 수 있다는 것을 발견했습니다.

이 작업의 함의는 단순히 계산 속도를 높이는 것을 넘어섭니다. 복잡한 과학적 워크플로우를 통해 AI를 안정적으로 안내할 수 있는 시스템을 구축함으로써, 연구진은 더 넓은 범위의 과학자들이 이러한 강력한 도구를 사용할 수 있는 길을 열었습니다. 이 프레임워크는 유연하게 설계되어, 새로운 방법과 소프트웨어가 개발됨에 따라 이를 포함하도록 업데이트될 수 있습니다. 연구팀은 시스템이 대규모 시스템에 대한 계산 속도를 높이는 기술과 같은 고급 기능을 완전히 새로 작성하지 않고도 통합할 수 있음을 보여주었습니다. 이는 미래에 과학자들이 기초적인 컴퓨터 코드에 대한 전문가가 아니더라도, AI에게 새로운 재료를 탐색하거나 새로운 이론을 테스트하도록 요청할 수 있음을 시사합니다. 핵심적인 발견은 AI가 추론 능력은 향 만큼 발전하고 있지만, 수준 높은 과학에서 요구되는 엄격하고 다단계적인 프로세스를 처리하기 위해서는 여전히 구조화되고 전문가의 안내를 받는 환경이 필요하다는 것입니다. AI의 추론 능력과 인간이 큐레이션한 지식의 신뢰성을 결합함으로써, 연구진은 재료 과학 분야에서 완전한 자율적 과학적 발견을 향한 경로를 만들어냈습니다.