오늘 끝나면
사례 연구
- ✓사례 연구의 핵심 문제를 한 문장으로 설명한다
- ✓오른쪽 실습에서 사례이 어떻게 움직이는지 관찰한다
- ✓다음 강의와 이어지는 한계를 말할 수 있다
실습 미션
Coscientist·A-Lab — 실제 자율연구실 이 문장이 실제로 무슨 뜻인지 실습에서 한 번 손으로 확인한다.
성공 조건
- □실습의 기본값을 먼저 관찰
- □입력값이나 모드를 한 번 이상 바꿔 결과 비교
- □왜 결과가 바뀌었는지 한 문장으로 설명
Autonomous Lab · 19
사례
연구
자율연구실은 미래 얘기가 아니다.
Coscientist와 A-Lab은 이미 논문으로 돌아간 실물이다.
동시에 한계도 분명하다. 도메인이 좁고, 아직은 사람이 감독한다.
Coscientist, LLM이 실험을 설계한다
가장 먼저 볼 사례는 Coscientist다. 카네기멜런이 2023년 Nature에 발표했다.
핵심은 LLM(GPT-4)이 실험의 머리 노릇을 한다는 점이다.
모델이 화학 문헌과 장비 매뉴얼을 읽고 실험 계획을 글로 짠 다음, 그 계획을 코드로 옮겨 액체 핸들러(자동 분주 로봇)를 직접 움직인다.
시연에서는 팔라듐 촉매 교차 짝지음(Suzuki, Sonogashira) 반응을 사람 없이 최적화했다.
웹 검색으로 시약을 찾고, 문서를 보고 장비 API를 호출하고, 결과를 보고 다음 조건을 정한다. 읽기와 추론, 실행이 한 줄로 이어진다.
LLM이 실험실의 “과학자” 자리에 처음 앉은 사례다.
팔라듐 교차 짝지음 반응을 사람 없이 최적화한다
A-Lab, 17일에 41개 신물질
두 번째 사례는 A-Lab이다. 로런스버클리국립연구소가 같은 해 Nature에 발표했다.
Coscientist가 화학 반응을 다뤘다면, A-Lab은 고체 신소재 합성을 자동화한다.
계산 DB(Materials Project)가 “안정할 것”이라 예측한 미합성 무기물을 표적으로 삼는다.
로봇 팔이 분말을 칭량하고 혼합하고 소성한 뒤, X선 회절로 결과를 측정한다.
핵심은 실패를 보고 스스로 고치는 판단이다. 합성이 빗나가면 능동학습이 사람 없이 온도와 전구체를 바꿔 재시도한다.
그 결과 17일 동안 58개 표적 중 41개 신물질을 합성했다.
로봇과 AI가 신물질을 자동으로 합성하고 검증한다는 걸 처음 규모로 보여 준 사례다.
58개 표적 중 41개 합성, 실패는 조건 바꿔 자동 재시도
사례를 세 축으로 비교한다
실제 자율랩 다섯 개를 세 축으로 비교한다. Coscientist와 A-Lab에 더해 리버풀 Mobile chemist, IBM RoboRXN, 토론토 Ada까지 넣었다.
자율도는 사람 개입이 얼마나 적은가, 도메인 폭은 한 과제에 묶였는지 여러 과제로 번지는지, 성과는 발표 당시 결과의 무게를 본다.
축을 바꿔 보면 한 가지 맞바꿈이 드러난다.
자율도가 가장 높은 A-Lab과 Mobile chemist는 도메인이 가장 좁다. 한 종류의 합성에 특화됐다.
넓게 일반화하려는 시스템일수록 사람이 더 많이 개입한다. 공짜 점심은 아직 없다.
사람 개입이 적을수록 높다
로봇이 분말을 칭량하고 혼합하고 소성한 뒤 X선 회절로 측정한다. 17일간 58개 표적 중 41개 신물질을 사람 개입 없이 합성한다.
사람이 쥔 부분표적 후보는 계산 DB(머티리얼스 프로젝트)가 미리 추린다. 무기물 분말 합성 한 종류에 특화됐다.
자율도가 높은 시스템(A-Lab, Mobile chemist)일수록 도메인이 좁다. 넓게 일반화하면 사람 개입이 늘어난다. 이게 2020~2023 자율랩이 보여 준 현실의 맞바꿈이다.
이미 현실이 된 것
이 사례들이 공통으로 증명한 건, 가설과 실험, 분석과 판단으로 이어지는 닫힌 루프가 사람 없이 며칠씩 돈다는 사실이다.
LLM이 문헌을 읽고 실험을 계획하는 일은 이미 된다(Coscientist).
로봇이 신물질을 합성하고 측정으로 검증하는 일도 된다(A-Lab).
실패한 실험을 보고 조건을 바꿔 스스로 재시도하는 판단 역시 된다(두 사례 모두).
전부 동료평가를 거친 논문 결과다. “언젠가”가 아니라 2020년부터 2023년 사이에 이미 일어난 일이다.
속도도 사람을 멀찍이 앞선다. Mobile chemist는 8일에 688회 실험을 돌렸다.
자율연구실은 가능성 증명 단계를 지났다. 이제 질문은 “되느냐”가 아니라 “어디까지 넓히느냐”다.
아직 남은 한계
그렇다고 만능은 아니다. 이 사례들의 한계도 그만큼 분명하다.
도메인이 좁다. A-Lab은 무기물 분말 합성 한 종류만 다루고, Coscientist는 정해진 반응 군 안에서만 돈다.
후보와 표적, 안전 범위는 여전히 사람이 정해 준다. 무엇을 풀지 스스로 발명하지는 못한다.
그래서 사람 감독이 필수다. 실패와 위험을 걸러 내는 마지막 판단은 사람 몫이다.
핵심은 이게 끝이 아니라 시작점이라는 것이다.
좁은 과제에서 닫힌 루프가 돈다는 걸 증명했으니, 다음은 그 루프를 더 넓은 문제로 일반화하는 일이다.
Q. A-Lab이 보여 준 것은? (사람이 모든 합성을 직접 수행 · 로봇+AI가 신물질을 자동으로 합성·검증 · 계산만으로 물성 예측 · LLM이 논문을 대신 작성)
정답은 로봇+AI가 신물질을 자동으로 합성·검증이다.로봇 팔이 사람 없이 분말을 칭량하고 혼합하고 소성한 뒤 X선 회절로 측정한다.
17일간 58개 표적 중 41개 신물질을 합성하고, 실패는 조건을 바꿔 자동 재시도한다.
단, 표적 후보는 계산 DB가 추렸다. 자동화된 건 합성과 검증 루프다.