Command Palette
Search for a command to run...
스탠포드 대학교의 AI 기반 X선 과학자들은 대규모 모델 추론과 MCP 도구를 활용하여 싱크로트론 방사선원에서 단결정 회절 정렬 작업을 자율적으로 완료했습니다.
실험 과학은 일반적으로 "가설-실험-분석-반복"의 폐쇄 루프를 따르지만, 이 과정은 오랫동안 수작업, 전문가 경험 및 데이터 처리 능력의 효율성에 의해 제한되어 왔습니다. 재료 과학, 화학, 응집물리학 등의 분야에서는 싱크로트론 방사선원이나 중성자 스폴레이션원과 같은 대규모 과학 연구 시설을 통해 원자 및 분자 규모의 구조와 동역학을 밝힐 수 있지만, 이러한 시설 역시 일반적으로 시간 제약, 복잡한 작동 방식, 숙련된 연구원에 대한 높은 의존도와 같은 문제점을 안고 있습니다.
인공지능의 발전은 실험 효율성을 향상시킬 수 있는 새로운 가능성을 열어주었습니다. 과거에는 머신러닝이 주로 재료 특성 예측, 실험 매개변수 최적화, 데이터 분석에 사용되었지만, 능동 학습, 로봇 공학, 대규모 언어 모델의 지속적인 발전으로 인공지능은 실험 후 보조 도구에서 벗어나 실험 과정에 적극적으로 참여하는 주체로 발돋움하고 있습니다. 체계적인 도구 호출 메커니즘을 활용하면 인공지능은 데이터 분석뿐 아니라 장비를 작동시키고, 매개변수를 조정하며, 실시간 피드백을 기반으로 다음 단계를 결정할 수 있습니다.
이러한 기능은 X선 산란과 같은 대규모 시설에 특히 중요합니다. 광원 밝기와 검출 속도가 지속적으로 증가함에 따라 실험 데이터 양이 급격히 늘어나고, 시료 편향, 장비 드리프트, 신호 변동과 같은 문제가 더욱 두드러지게 나타납니다. 기존의 고정된 스크립트는 표준 절차는 처리할 수 있지만, 예상치 못한 실험 상황에는 제대로 대처하지 못합니다.
이를 바탕으로,스탠퍼드 대학교와 SLAC 국립 가속기 연구소의 연구팀이 "AI X선 과학자" 시스템을 개발하여 스탠퍼드 싱크로트론 방사선원의 실제 빔라인에 배치했습니다.연구팀은 먼저 가상 빔라인에서 시스템 디버깅을 완료한 후, 실제 장비로 옮겨 AI가 단결정 배향 행렬을 계산하여 다단계 실험을 자율적으로 완료하고 실제 환경에서 발생하는 갑작스러운 편차를 처리할 수 있는지 여부를 테스트했습니다.
"에이전트 기반의 인공지능 X선 과학자"라는 제목의 관련 연구 결과는 Nature Machine Intelligence에 게재되었습니다.
논문 보기:
https://www.nature.com/articles/s42256-026-01261-5
데이터 세트: 기본 매개변수, 가상 시뮬레이션 및 실제 빔라인 측정값
연구자들이 필요로 하는 데이터는 크게 세 가지 범주로 나뉩니다. 결정 및 장비의 기본 매개변수, 가상 빔라인에서 생성된 시뮬레이션 데이터, 그리고 실제 빔라인에서 얻은 실험 데이터입니다.
핵심 검증 샘플은 자기적 웨일 반금속인 Co₃Sn₂S₂였습니다. 시스템 작동을 위해서는 결정 구조, X선 파장, 회절계 모터 이동 거리, 검출기 기하 구조 등의 정보를 사전에 확보해야 했습니다. 이러한 데이터는 인공지능이 회절 피크의 이론적 위치를 계산하고 장비 작동을 위한 물리적 및 안전 한계를 정의하는 데 도움이 되었습니다. 또한, 본 연구에서는 추가 검증을 위해 단결정 실리콘을 사용했습니다.
실제 장비에 소요되는 시간을 최소화하기 위해 연구팀은 가상 빔라인을 구축했습니다.시뮬레이션 플랫폼은 6축 회절계의 기하학적 구조를 기반으로 회절 이미지를 생성하고, 피크 폭 확장, 하드웨어 노이즈 및 신호 왜곡을 추가하여 실제 검출기의 결과와 최대한 유사한 출력을 생성합니다.
연구진은 시뮬레이션에 모터 오프셋과 격자 파라미터 오차를 의도적으로 도입했습니다. 인공지능은 단순히 이론값을 복사할 수 없으며, 관찰을 통해 실제 상태를 추론하고 지속적으로 판단을 수정해야 합니다. 또한, 연구팀은 시스템의 안정성을 테스트하기 위해 더 큰 모터 오프셋, 다중 입자 간섭, 제한된 추론 자원과 같은 더욱 까다로운 시나리오를 설정했습니다.
가상 테스트를 완료한 후, 시스템은 스탠포드 방사광 가속기 시설(SSRL) BL17-2 빔라인에 배포되었습니다. 실제 데이터에는 검출기 이미지, 스캔 곡선, 장비 상태 및 실험 로그가 포함되었습니다. 시뮬레이션 환경과 비교하여 실제 실험에서는 사전 모델링에 포함되지 않았던 클램핑 오류, 장비 정렬 불량 및 무작위 노이즈와 같은 문제가 발생했는데, 이는 AI의 적응성을 테스트하는 데 매우 중요했습니다.
대규모 모델 추론 및 MCP 도구 호출 기반의 자율 회절 실험 시스템
"AI 엑스레이 과학자"는 분석 및 의사 결정을 담당하는 대형 모델, 지시 사항을 전달하는 도구 상호 작용 계층, 그리고 실제 작업을 수행하는 실험 장비의 세 부분으로 구성됩니다.
가상 테스트에서 연구팀은 클로드 소네 4와 제미니 2.5 플래시를 비교했습니다.실제 빔라인 실험에서는 추론 능력이 더 뛰어난 Claude Opus 4를 사용합니다.이 시스템은 모델 재학습이 필요하지 않으며, 주로 프롬프트, 실험 매뉴얼 및 도구 사용 설명서를 통해 대형 모델이 작업을 이해하도록 안내합니다. 이러한 프롬프트는 작업의 모든 단계를 미리 정의하는 것이 아니라 실험 목표, 사용 가능한 도구 및 안전 규칙에 대한 정보를 AI에 제공합니다. 어떤 회절점을 선택할지, 스캔 범위의 크기는 얼마일지, 그리고 비정상 신호를 어떻게 처리할지는 실시간 결과를 기반으로 AI가 자동으로 결정합니다.
전체 과정은 연속적인 순환 구조를 이룹니다. AI는 먼저 정보를 읽고 이론적인 위치를 계산한 다음, 장비를 제어하여 스캔하고, 관찰 결과를 분석한 후 그에 따라 다음 전략을 조정합니다. 고정된 스크립트와의 차이점은 실험 결과가 예상과 다를 경우 AI가 기계적으로 원래 과정을 반복하는 대신 원인을 재평가할 수 있다는 점입니다.
방향 오차 <5°, 설치 성공으로 1.22° 오프셋이 수정되었습니다.
본 연구에서는 단결정 배향 행렬을 구하는 것을 실험 과제로 선정했습니다. 간단히 말해, 이 작업은 결정 좌표계와 실험실 좌표계 사이의 관계를 결정하는 것으로, 대부분의 단결정 산란 실험에서 필수적인 단계입니다. 이 작업을 완료하려면 일반적으로 최소 두 개의 회절점을 찾고 여러 모터의 협동적인 움직임을 통해 피크 위치를 지속적으로 보정해야 합니다. 이 실험은 복잡한 공간 기하학적 구조를 다루고 잡음 및 이상 신호를 식별해야 하므로 작업자의 경험에 크게 의존합니다.
가상 기초 테스트에서는 Claude Sonnet 4와 Gemini 2.5 Flash를 각각 사용하여 여러 실험을 수행했습니다. 결과는 아래 그림에 나와 있습니다.모든 테스트에서 목표 회절 지점을 성공적으로 찾아냈으며, 대부분의 실험에서 방향 오차는 5° 미만이었습니다.실험의 절반 이상에서 격자 상수 c의 오차가 0.01 Å 이내로 유지되었습니다. 모터 오프셋이 증가하거나, 다결정 간섭이 발생하거나, 모델에 사용 가능한 추론 리소스가 감소하면 시스템 성능이 저하되었습니다. 추론 리소스 제한의 영향이 가장 컸습니다. 이는 자율 실험이 모델이 실험 지식을 "알고 있는지" 여부뿐만 아니라 충분하고 지속적인 분석을 수행하는 능력에도 달려 있음을 시사합니다.
Co3Sn2S2 실험에서 AI는 먼저 (0,0,6) 회절점을 선택하여 검색했습니다. 스캔 후 실제 피크 위치와 이론 위치 사이에 상당한 편차가 있음을 발견했으며, 이 편차가 시료 홀더의 불균일성 때문일 수 있다고 판단했습니다. 그런 다음 시스템은 η축 시프트를 약 1.22°만큼 보정하고 피크 중심을 재보정했습니다.
이는 대규모 언어 모델의 과학 연구 참여 역할이 문헌 검색, 코드 생성, 오프라인 데이터 분석에만 국한되지 않을 수 있음을 의미합니다. 특수 도구, 보안 인터페이스, 물리적 규칙과 결합함으로써 장비 작동, 실험 의사 결정, 이상 현상 처리 등에도 참여할 수 있는 연구 협력자로 발전할 것으로 기대됩니다.
마지막 말
'AI X선 과학자'의 중요성은 실험실 인력을 대체하는 데 있는 것이 아니라, AI가 데이터 분석 도구를 넘어 실험 현장으로 진출하여 장비 작동, 상태 평가, 전략 조정에 참여할 수 있도록 하는 데 있습니다. 현재는 표본 크기, 실제 장비 가동 시간, 그리고 인간 안전 중재자의 필요성 등의 제약이 있지만, 본 연구는 대규모 모델이 복잡하고 이상적이지 않은 실제 환경에서 지속적인 관찰과 추론을 통해 실험 과정을 완료할 수 있음을 입증했습니다.
미래에는 모형, 로봇, 과학 기기가 더욱 통합됨에 따라 인공지능은 대규모 과학 연구 시설에서 중요한 협력 파트너가 되어 연구자들이 반복적인 작업을 줄이고 과학적 질문 자체에 더 많은 에너지를 쏟을 수 있도록 도울 것으로 기대됩니다.
