MASON: Materials Atomistic Structure builder Operated in Natural language

재료 과학의 세계에서 연구자들은 종종 사물이 어떻게 작동하는지 원자 수준에서 이해하기 위해 작고 완벽한 물질 모델을 구축해야 합니다. 예를 들어, 새로운 배터리가 어떻게 전하를 유지할지 또는 약물이 세포와 어떻게 상호작용할지를 예측한다고 상상해 보십시오. 과학자들은 이 작업을 수행하기 위해 특정 패턴으로 배열된 원자들의 디지털 버전을 만듭니다. 결정 구조라고 알려진 이 패턴들은 컴퓨터 칩의 실리콘부터 제트 엔진의 금속에 이르기까지 모든 것의 청사진입니다. 이들을 연구하기 위해 과학자들은 강력한 컴퓨터를 사용하여 시뮬레이션을 실행하지만, 컴퓨터가 작업을 시작하기 전에 인간이 먼저 모델을 구축해야 합니다. 이것은 섬세한 작업입니다. 원자가 조금이라도 잘못 배치되면 전체 시뮬레이션이 실패하고 결과는 무의미해집니다. 수십 년 동안 이 단계는 연구자가 복잡한 컴퓨터 코드를 작성하거나 3D 형상을 수동으로 조작하는 과정을 필요로 했으며, 이는 느리고 인간의 실수에 취약하며 새로운 세대의 인공지능이 스스로 처리하기 어려운 과정이었습니다.

연구팀은 이제 인간의 의도와 디지털 구축 사이의 간극을 메우기 위해 설계된 MASON이라는 새로운 도구를 도입했습니다. 이 시스템은 과학자들이 평범한 영어로 필요한 구조를 설명할 수 있게 해주며, 인공지능 에이전트는 그 단어들을 정밀하고 오류 없는 원자 모델로 번역합니다. AI에게 오류가 포함될 수 있는 코드를 작성하도록 요청하는 대신, MASON은 AI가 직접 사용할 수 있는 전용 전문 도구 세트를 제공합니다. 이것은 건축가에게 매번 시멘트를 섞고 벽돌을 처음부터 모양 잡으라고 요구하는 대신, 미리 만들어진 완벽하게 교정된 벽돌과 망치를 주는 것과 같습니다. 연구진은 이 접근 방식이 신뢰할 수 있다는 것을 입증했으며, AI가 "백금 표면에 붙어 있는 일산화탄소의 모델을 만들어라"와 같은 간단한 요청을 받아 복잡하고 과학적으로 유효한, 시뮬레이션 준비가 된 구조를 생성할 수 있게 했습니다.

연구진이 해결한 핵심 과제는 현대의 AI가 대화를 나누고 문제를 추론할 수는 있지만, 결정학의 구체적이고 엄격한 규칙을 다루는 데는 어려움을 겪는다는 점입니다. 과거에는 과학자가 AI에게 모델을 만들라고 요청하면, AI는 이를 수행하기 위한 프로그램을 작성해야 했습니다. 이는 위험한데, 코드의 아주 작은 오류가 원자 간의 중첩을 일으키거나 현실에 존재하지 않는 구조를 만들 수 있기 때문입니다. MASON 시스템은 AI와 구축 과정 사이에 위치하는 전문 서버 역할을 함으로써 이러한 역학 관계를 변화시킵니다. 연구자가 질문을 하면, AI는 요청을 일련의 단계로 나누고 각 단계를 수행하기 위해 MASON을 호출합니다. 그러면 MASON은 결정의 단면을 자르거나 누락된 원자를 추가하는 등의 작업을 실행하고, 자신이 무엇을 구축했는지 정확하게 보고합니다. 이 피드백 루프는 단계가 잘못될 경우 AI가 결과를 확인하고 모델이 완성되기 전에 다음 동작을 수정할 수 있도록 보장합니다.

이 시스템은 모델 구축의 전체 수명 주기를 다루는 다섯 가지 주요 도구 범주로 구성되어 있습니다. 첫째, 기존 구조를 분석하여 원자의 개수와 원자 간 거리를 측정함으로써 유효성을 확인할 수 있습니다. 둘째, 결정의 더 큰 버전을 만들거나, 결함을 시뮬레이션하기 위해 원자를 제거하는 것과 같은 특정 결함을 도입할 수 있습니다. 셋ã째, 재료 블록을 잘라 평평한 표면을 만들 수 있으며, 이는 화학 물질이 금속과 어떻게 상호작용하는지 연구하는 데 필수적입니다. 넷째, 이러한 표면 위에 분자를 정밀한 위치에 배치할 수 있습니다. 마지막으로, 두 가지 다른 재료를 결합하여 어떻게 서로 맞물리는지 확인할 수 있는데, 이는 헤테로 구조(heterostructure)를 만드는 과정으로 알려져 있습니다. 모든 경우에 대해, 이 도구는 기하학적 계산의 힘든 작업을 수행하여 원자들이 올바르게 간격을 유지하고 대칭성이 유지되도록 보장합니다.

연구진은 시스템의 작동을 증명하기 위해 백금 표면에 흡착된 일산화탄소 모델을 구축하는 완전한 예시를 따라갔습니다. 과정은 AI가 MASON에게 벌크 백금의 기본 구조를 읽고 그 형태를 검증하도록 요청하는 것으로 시작되었습니다. 다음으로, AI는 MASON에게 이 재로의 얇은 조각을 자르도록 지시했는데, 구체적으로는 4개 층 두께의 층을 자르고 고체 블록을 모사하기 위해 아래 두 층을 고정하도록 했습니다. 시스템은 이 조각을 확장하여 더 넓은 표면적을 만들었고, 일산화탄자 분자가 부착될 수 있는 특정 지점을 식별했습니다. 마지막으로, AI는 Mochen에게 분자를 특정 표면의 빈 공간(hollow spot) 위로 정확히 2 옹스트롬 높이에 배치하도록 지시했습니다. 10단계 이상의 별도 도구 호출이 포함된 이 전체 시퀀스 동안, AI는 원자의 치수와 배열에 대한 지속적인 업데이트를 받았습니다. 최종 결과는 모든 기하학적 검사를 통과하여 슈퍼컴퓨터에서 시뮬레이션을 실행할 준비가 된 완전한 3차원 모델이었습니다.

연구진은 또한 시스템의 신뢰성을 확보하기 위해 다양한 다른 과제들에 대해 시스템을 테스트했습니다. 그들은 그래핀 나노리본, 탄소 원자의 뒤틀린 층, 그리고 실리콘 카바이드와 실리콘 사이의 복잡한 계면 모델을 성공적으로 구축했습니다. 각 사례에서 AI는 자연어 요청을 사용하여 구축을 유도했고, MASON은 정밀한 실행을 제공했습니다. 예를 들어, 원자가 하나 빠진 실리콘 결정 모델을 구축하라는 요청을 받았을 때, 시스템은 결정의 대칭성이 어떻게 변했는지 정확히 식별하고 남은 원자들의 새로운 배열을 보고했습니다. 두 가지 다른 재료를 결합하라는 요청을 받았을 때, 시스템은 스트레스를 최소화하기 위해 그들의 원자 격자를 정렬하는 최선의 방법을 계산하여 AI가 선택할 수 있도록 옵션을 제시했습니다. 테스트된 18가지 사례 모두에서 AI가 구축한 구조는 수학적으로 일관되고 기하학적으로 견고했으며, 수동 계산 결과와 일치했습니다.

이 연구는 과학 연구를 더욱 자율적으로 만드는 데 있어 중요한 진전을 의미합니다. AI 에이전트에게 신뢰할 수 있는 전문 도구를 갖춤으로써, 연구진은 AI가 기본적인 구조적 작업을 위해 스스로 코드를 작성할 필요성을 없앴습니다. 이는 오류의 가능성을 줄이고 AI가 기계적인 구축 작업보다는 과학적 추론에 집중할 수 있게 합니다. 이 시스템은 오픈 소스이며, 이는 다른 과학자들이 자신만의 모델을 구축하는 데 사용할 수 있음을 의미하고, 모델 컨텍스트 프로토콜(Model Context Protocol)을 지원하는 모든 AI 프레임워크와 함께 작동하도록 설계되었습니다. 궁극적인 목표는 단순히 모델을 더 빨리 만드는 것이 아니라, 연구자가 평범한 언어로 과학적 질문을 던지면 AI가 초기 원자 배열부터 최종 데이터 분석에 이르기까지 실험 설정의 전 과정을 처리할 수 있는 워크플로우를 만드는 것입니다. 현재 버전은 구조 구축에 초점을 맞추고 있지만, 동일한 접근 방식은 향후 시뮬레이션을 실행하고 결과를 분석하는 데에도 적용될 수 있으며, 이는 과학자들이 목표를 정의하면 기계가 실행을 담당하는 미래로 이 분야를 한 걸음 더 나아가게 할 것입니다.