실험을 자동화하는 연구실에서
믿음을 수정하는 과학자로

Self-Driving Laboratory의 최소 정의

Self-Driving Laboratory(SDL)는 세 구성요소를 폐루프로 연결한다. AI 기반 실험 선택 및 최적화, 로봇·자동화 장비를 이용한 물리적 실험, 측정 결과에 따른 모델 갱신과 다음 실험 결정이다.

Source fact2026년 npj Robotics의 관점 논문은 SDL을 로봇공학과 알고리즘 의사결정을 결합해 실험을 설계·수행·분석하는 시스템으로 정의한다. 핵심은 높은 처리량 자체가 아니라 결과에 따라 다음 행동을 독립적으로 바꾸는 적응성이다.

전체 과학주기 11단계를 연결한다

중요한 것은 최고 성능 후보만 찾는 것이 아니다. 현재 가설들의 불확실성을 가장 많이 줄이면서 안전하고 재현 가능한 실험을 선택하는 것이 핵심이다.

고차원 탐색공간에서 정보가치가 큰 실험을 골라야 한다

화합물, 단백질, 공정조건, 촉매 조성, 온도, 압력, 용매, 측정조건의 조합은 사람이 체계적으로 탐색하기 어려울 정도로 크다. 제한된 실험예산에서는 단순히 “좋아 보이는 후보”가 아니라 가설을 가장 잘 구분하는 실험을 골라야 한다.

디지털 추론과 물리 실험의 단절

기존 AI는 논문과 데이터에서 잘 추론해도 실제 장비가 요구하는 단위·범위·순서 처리, 장비별 상태와 제약 이해, 실패 원인 진단, 중간결과에 따른 protocol 수정, 안전조건 위반 시 중단을 안정적으로 수행하지 못할 수 있다.

Source factAILA 연구에서는 재료과학 질의응답 성능이 좋은 모델도 실제 실험과 장비조정에서는 낮은 성능을 보였다. 원 자료가 강조하는 결론은 과학지식 점수와 실험 수행 능력은 동일하지 않다는 것이다.

목적함수 최대화와 과학발견은 다른 문제다

현재 SDL의 상당수는 조건 \(x\)에서 목적함수 \(y\)를 최대화하는 문제를 푼다. 그러나 과학발견에는 경쟁 가설의 구분, 인과기전 설명, 반례와 대안 설명 탐색, 새로운 변수 도입, 가설을 기각할 수 있는 실험 설계가 필요하다.

과학적·경제적 동기는 결국 지식의 병목을 줄이는 데 모인다

Source fact2025년 벤치마킹 연구가 검토한 문헌에서는 기존 기준전략 대비 실험 가속계수의 중앙값이 약 6으로 보고되었다.

Caution실험공간과 baseline 정의가 서로 달라 이 값을 모든 SDL에 일반화해서는 안 된다.

이 구조에서는 인간의 역할이 피펫 조작에서 목표·가치·위험 한계 설정과 결과의 과학적 의미 판단으로 이동한다.

실험결과가 다음 실험을 바꾸는가

Closed-loop experimentation은 결과가 다음 실험 선택에 직접 반영되는 구조다. 미리 정한 목록을 순차 실행하는 자동화와 구분된다. Active learning과 Bayesian optimization은 불확실성이 높거나 개선 가능성이 큰 지점을 우선 선택하며, 원 자료는 Bayesian optimization, Gaussian process, Expected Improvement, Upper Confidence Bound, Entropy Search, Multi-objective optimization, Constrained safe optimization을 핵심 방법으로 열거한다.

하나의 거대 모델에 모든 책임을 몰아주지 않는다

Source fact2026년 AutoLabs는 목표 분해, 화학량 계산, protocol 검증, 장비용 XML 생성을 전문 agent로 분리했다. 원 자료에 따르면 복잡한 과제에서 추론능력이 높은 모델은 정량오류를 85% 이상 감소시켰고, multi-agent와 반복 자기교정을 결합했을 때 어려운 합성 protocol에서 F1-score 0.89 이상을 달성했다.

숫자와 명령을 자유 텍스트로 만들지 않게 한다

LLM은 화학량론 계산기, 단위·차원 검증기, 물질 및 장비 제약 데이터베이스, 분자·단백질 예측 모델, 실험 스케줄러, 장비 API, 통계검정·불확실성 계산기를 호출해야 한다. 이는 자연어 reasoning과 deterministic execution 사이에 검증 가능한 경계를 만든다.

에이전트가 실제 연구실과 다른 세계를 상상하지 않게 한다

현재 시약량, 장비상태, 보정이력, 환경조건, 실험진행 상황을 digital laboratory state로 표현한다. world model과 digital twin은 실제 실행 전에 자원소모, 충돌·deadlock, 오염 가능성, 장비범위 위반, 예상 측정분포, 비정상 상태에서의 복구 경로를 점검하는 기반이 된다.

Self-correction만으로는 충분하지 않다

동일 agent가 자신의 출력을 다시 읽는 것만으로는 오류가 독립적으로 검증되지 않는다. 별도의 verifier와 rule-based gate가 필요하다.

성공뿐 아니라 실패와 수정 이유를 기억해야 한다

• 가설의 출처
• 사용한 논문과 데이터 버전
• 실험조건과 장비 보정상태
• 모델·프롬프트·코드 버전
• 실패·무효·중단 실험
• 가설 변경 전후와 변경 이유
• 사람이 개입한 지점

원 자료는 이 요소를 SGI 연구의 D1–D7, 특히 provenance, counter-evidence, uncertainty, belief revision, external reproducibility와 직접 연결한다.

검색된 과학 주장을 조건이 붙은 evidence record로 만든다

이 hyper-relational record는 assay, protocol, threshold, time, uncertainty, support/opposition을 함께 보존한다. 원 자료는 이를 AssayKG-RAG의 assay shift, claim gate, qualifier-aware HRKG를 물리적 실험 단계로 확장하는 자연스러운 방향으로 본다.

언어적으로 그럴듯한 명령이 물리적으로 가능한 명령은 아니다

LLM이 생성한 단위 오류, 농도 오류, 장비범위 초과, 누락된 세척 단계는 실제 사고로 이어질 수 있다. 따라서 언어 reasoning과 장비 실행 사이에는 capability schema, unit validation, interlock가 필요하다.

목표 이탈과 prompt sensitivity를 안전 문제로 다뤄야 한다

Source factAILA 연구는 agent가 명령에서 벗어나는 “sleepwalking” 현상을 보고했고, 사소한 prompt 표현 변화에도 결과가 민감했다. 원 자료는 이 근거를 바탕으로 현 시점의 LLM을 safety-critical 실험의 최종 실행권자로 두는 것은 위험하다고 판단한다.

미리 정의된 workflow 성공만으로 자율성을 입증할 수 없다

폐쇄적 장비 API와 독점 형식은 cross-lab transfer를 막는다

2025년 SDL 접근성 연구는 API, metadata, digital twin, 장기 software maintenance, cybersecurity를 주요 장애물로 지적한다. workflow portability는 단순 code portability가 아니라 장비 capability와 state model의 표준화 문제다.

느리고 변동성 높은 feedback은 SDL에 더 어려운 조건이다

생물학 실험은 긴 배양·반응 시간, batch effect, 세포·생물학적 변이, 파괴적 측정, 오염 위험, 윤리·생물안전 규제, 다수의 대리 지표와 장기 endpoint 때문에 화학·재료 실험보다 폐루프 구현이 어렵다.

따라서 모든 바이오 문제를 SDL에 넣기보다 자동화 가능성, cycle time, 측정가능성, 탐색공간을 기준으로 적합성을 먼저 평가해야 한다.

“autonomous discovery”라는 말에 인간 개입을 숨기면 안 된다

목표와 후보공간 설정, 도구 연결과 prompt 수정, 실패 실행 제거, 결과 해석, 최종 후보 선정에 사람이 얼마나 개입했는지 불명확한 연구가 있을 수 있다. 원 자료는 autonomy 수준, 인간 개입시간, 실패율, 재실행 횟수를 명시하는 표준이 필요하다고 본다.

잘못된 추론이 곧 물리적 행동이 된다

화학·생물학에서는 독성물질, 병원체, 고압·고온 공정과 연결될 수 있다. 따라서 권한분리, command allowlist, 물리적 interlock, audit log, emergency stop이 필수다. 자기개선형 연구실도 허용된 실험공간, 재료·장비·비용 한도, 위험등급, model update 승인, 외부 network access, 신규 tool 설치, 자기 목적 변경의 경계를 넘어서는 안 된다.

논문 수준에서 중요한 8개의 질문

상위 reasoning과 하위 execution을 분리한다

TOP      Scientific goals · hypotheses · priorities
          ↓
MIDDLE   Experiment planning · tool selection · resource allocation
          ↓
BOTTOM   Verified instrument-specific primitives
          ↓
INDEPENDENT SAFETY PLANE
         Safety · provenance · statistics · reproducibility verification

LLM이 “원심분리기를 8,000 rpm으로 실행하라”는 직접 명령을 내리기보다 검증 가능한 형식의 의도를 생성하고, deterministic controller가 이를 장비명령으로 변환하는 편이 안전하다.

Bayesian optimization을 넘어 competing hypothesis를 구분한다

원 자료는 구조적 인과모형, competing hypothesis graphs, optimal experimental design, expected information gain, intervention planning, counterfactual simulation을 결합해야 한다고 제안한다.

Text benchmark에서 장기 무인운전까지 단계적으로 올린다

성공률보다 “좋은 과학적 행동”을 측정해야 한다

Analysis이 평가체계는 experiment success 하나로 자율과학을 평가하는 것을 피한다. 안전하게 중단한 실험, 반례를 발견해 가설을 버린 실험, 다른 연구실에서 재현된 실험은 모두 과학적으로 중요한 성공일 수 있다.

신약발견과 생명공학

• hit identification과 hit selection
• 약물 재창출
• 단백질·항체·효소 설계
• 세포배양 조건 최적화
• formulation과 drug delivery
• ADMET 및 assay sequence 선택
• organoid·phenotypic screening

Source factRobin은 문헌검색, 가설생성, 실험제안, RNA-seq 분석을 연결해 건성 연령관련 황반변성 후보로 ripasudil을 제안하고 실험적으로 검증했다. 원 자료는 이 논문이 arXiv preprint이고 실험 수행에 사람이 포함된 lab-in-the-loop 구조임을 구분해야 한다고 명시한다.

화학·재료·에너지·과학장비 운영

AILA는 AFM 보정, feature detection, 기계적 물성측정, graphene layer 판별, indenter detection까지 범위를 확장했다.

10개의 미해결 문제

1. 가설의 falsifiability 자동검증: 생성된 가설이 실제로 반증 가능한지 판별하는 기술이 부족하다.
2. Negative-result memory: 실패를 버리지 않고 조건·원인을 구조화해 다음 탐색을 제한해야 한다.
3. Cross-lab reproducibility: 다른 장비·기관에서도 재현되는지 검증할 공통 testbed가 부족하다.
4. Autonomy accounting: 연구 전 과정에서 인간과 AI가 각각 무엇을 했는지 정량화해야 한다.
5. Mechanistic discovery benchmark: 새로운 기전을 발견하는 능력의 평가는 목적함수 최적화 benchmark보다 부족하다.
6. Long-horizon reliability: 수백·수천 회 실험에서 누적오류가 어떻게 증가하는지가 중요하다.
7. Semantic–physical alignment: 자연어 계획을 physical affordance, 장비상태, 안전조건에 맞게 변환해야 한다.
8. Dual-use governance: 유용한 생물·화학 연구와 위험 실행을 구분하면서 과도한 제한을 피해야 한다.
9. Scientific accountability: 오류가 발생했을 때 개발자, 장비 운영자, 연구책임자의 책임 경계가 불명확하다.
10. 지속가능한 경제성: 구축비뿐 아니라 calibration, maintenance, data management, software update, 인력교육을 포함한 TCO가 필요하다.

최적화 루프에서 반증 루프로

다음 generation의 SDL에 필요한 epistemic 기능

• 가설별 검증조건과 기각조건 명시
• 지지증거와 반대증거 동시 검색
• 조건부 주장과 적용범위 표현
• 예측 신뢰도와 calibration
• 불확실할 때 abstention
• 부정적 결과의 장기기억
• 독립 연구실 재현 protocol 생성

원 자료는 이를 SGI의 Epistemic Accountability Loop를 물리적 실험환경에 구현하는 연구로 발전시킬 수 있다고 본다.

한 연구실의 로봇을 넘어 연구실 네트워크와 operating system으로

Distributed Autonomous Science Network에서는 여러 연구실이 전문 장비와 데이터를 공유하고, agent가 capability·cost·time·safety·regulation을 고려해 task를 routing한다. 이때 연구실과 실험을 연결하는 provenance-aware workflow graph가 핵심 데이터 인프라가 된다.

Laboratory Operating System은 장비 API 위에 표준 capability description, 상태·자원·오류 model, 안전정책, provenance schema, workflow language, simulator·digital twin, 권한·감사관리 기능을 제공한다.

Foundation model은 정밀제어기보다 상위 orchestration 계층이 될 가능성이 높다

멀티모달 과학모델은 현미경 이미지, 분광 데이터, chromatogram, 시계열 sensor, 분자·단백질 구조, 로봇 영상, 장비 log를 통합적으로 이해하게 될 수 있다. 그러나 범용 foundation model이 장비별 정밀제어를 직접 맡기보다는 전문 model·rule·physics model을 조정하는 상위 계층이 될 가능성이 높다.

Science-as-a-Service에서는 중앙집중형 robotic facility에 연구자가 자연어로 문제를 제출하고, agent가 비용·시간·불확실성을 제시한 뒤 실험을 수행할 수 있다. 동시에 공정한 자원배분, 지식재산권, 데이터 주권, 연구비 격차 문제가 생긴다.

Falsifiable and Provenance-Aware Autonomous Science Lab

첨부 자료가 ETRI 관점에서 가장 전략적인 방향으로 제안하는 연구주제다.

실험을 실행하는 AI보다 믿음을 수정하는 AI

신규성은 “LLM이 실험을 실행한다”는 데 있지 않다. 어떤 근거로 실험을 선택했고, 어떤 결과가 가설을 지지하거나 기각했으며, 조건이 달라질 때 믿음을 어떻게 수정했는지를 계산 가능하고 감사 가능한 형태로 만드는 것에 있다.

Analysis이 목표형상은 Agentic RAG, hyper-relational provenance, falsifiability, temporal evidence paths, laboratory execution을 하나의 closed loop로 묶는다. 핵심은 더 많은 automation이 아니라 evidence-grounded belief revision을 물리적 실험까지 확장하는 데 있다.

원 자료에 기록된 추적 설정

아래는 첨부 source note에 포함된 “Autonomous Science Lab 추적” 설정을 그대로 웹용으로 정리한 것이다. 이 게시물 생성 자체가 별도의 monitoring task를 새로 생성한다는 의미는 아니다.

Autonomous Science Lab의 경쟁력은 자율성이 아니라 책임 있는 자율성이다

앞으로의 핵심 경쟁은 실험 throughput 자체가 아니다. scientific tool grounding, digital twin, independent verification, provenance-aware memory, falsification, cross-lab reproducibility를 통해 시스템이 자신의 한계를 알고, 반례를 수용하고, 필요할 때 중단하며, 다른 연구실에서도 검증 가능한 evidence trail을 남기는가가 중요하다.