실패한 합성도
다음 조성을 고른다

연구의 좌표: 합성 가능성과 목표 물성을 함께 묻다

Combining physical models with dynamically acquired experimental information for the optimization of multicomponent NASICON fast ionic conductors in a self-driving laboratory

arXiv 등록정보와 초록은 80쪽 분량의 v1이며, 현재 학술지 게재·동료심사 정보는 제시하지 않는다. 근거 · 원문

계산이 실험을 만나는 문제

기존 자율 재료실험은 “계산상 안정적인 물질을 실제로 합성할 수 있는가”에 집중했다. 이번 연구는 한 단계 더 나아가 다음을 동시에 묻는다.

복잡한 연속 조성공간에서 합성 가능성·상순도·목표 물성을 함께 평가하고, 성공과 실패 실험을 모두 이용해 다음 조성을 선택할 수 있는가?

고이온전도도만 추구하면 불순물상이 많은 물질을 선택할 수 있고, 합성하기 쉬운 조성만 추구하면 물성이 낮아진다. 따라서 탐색 문제를 단일 성능 최적화가 아닌 제약된 다목적 의사결정으로 재정의했다.

CASS: 비용함수를 갱신하는 폐루프

연구진은 CASS(Cost-guided Autonomous Solid-state Synthesis)를 A-Lab에 구현했다.

CASS는 다음 정보를 집계된 비용함수로 결합한다.

• DFT 기반 열역학적 안정성·합성 가능성 사전정보
• NASICON 구조와 후보 원소 사이의 구조적 적합성 규칙
• 조성에 따른 이온전도도 대리모델
• 로봇 합성 후 X선회절 및 Rietveld 정련으로 얻은 상분율
• 성공·실패 합성에서 갱신되는 경험적 합성경계

즉, 폐루프는 다음과 같다.

CASS는 DFT 열역학 사전정보, 구조 적합성 및 이온전도도 surrogate를 결합하고, 각 합성 후 Rietveld 상분석으로 비용함수를 갱신한다. 근거 · 원문

78회 실험이 보여준 것

• A-Lab에서 4일 동안 78회의 자율 합성시험 수행
• 23개 조성에서 NASICON이 주상으로 형성
• 18개 조성이 사전 정의된 고전도도 목표영역에 진입
• 대표적인 두 다성분 조성에서 다음 전도도 측정:
  • 총 전도도 0.7 mS/cm, 벌크 전도도 3.96 mS/cm
  • 총 전도도 0.3 mS/cm, 벌크 전도도 3.17 mS/cm
• 두 대표 조성은 각각 Hf–Zr–In–Ga 및 Hf–In–Ga 계열 phosphosilicate였다. 근거 · 원문

78회 중 NASICON 주상 형성률은 약 29.5%, 고전도도 목표영역 도달률은 약 23.1%다. 절대 성공률 자체보다 중요한 점은 실패 결과까지 다음 탐색과 물리모델 수정에 사용했다는 것이다.

18개는 사전에 정한 고전도도 목표영역에 들어온 후보 수이다. 18개 모두에서 전도도를 직접 측정해 고성능을 입증했다는 뜻으로 읽지 않는다. 비율 29.5%와 23.1%는 모두 78회 시도를 분모로 계산한 값이다.

2023년 A-Lab에서 달라진 탐색

2023년 A-Lab은 계산으로 제안된 57개 이산적 목표물질을 353개 합성 레시피로 시험해 36개를 구현하는 “목표물질 합성” 중심 시스템이었다. 근거 · 원문

이번 CASS의 변화는 다음과 같다.

따라서 CASS는 단순한 “로봇 합성 자동화”보다 물리모델과 실험이 서로 교정되는 자기학습형 자율실험실에 가깝다.

검증의 범위와 열린 문제

• 아직 동료심사를 거치지 않은 arXiv v1이다.
• 단일 NASICON 재료군과 한 연구시설에서만 검증됐다.
• 78회 중 NASICON 주상 형성이 23회에 그쳐 합성 성공률 향상의 여지가 크다.
• 대표 물성 측정이 일부 후보에 집중되어 전체 후보의 전기화학적 우수성이 완전히 검증된 것은 아니다.
• 벌크 전도도와 총 전도도 사이의 큰 차이는 입계·치밀화·미세구조 최적화가 별도로 필요함을 시사한다.
• 전고체전지 셀에서의 수명, 계면저항, 안정전압창 및 제조 확장성은 보고되지 않았다.
• 다른 로봇·장비·연구실에서 동일 탐색결과가 재현되는지는 확인되지 않았다.
• 비용함수의 가중치가 과학적 우선순위와 어떻게 정렬되는지, 불확실할 때 실험을 중단하거나 인간에게 이관하는 기준도 추가 검증이 필요하다.

ETRI: 근거가 남는 자율과학실

1. Autonomous AI Scientist

   CASS를 물리적 실행계층으로 사용하면 문헌 기반 가설 생성에서 실제 합성·측정·가설수정까지 연결할 수 있다. 특히 “예측이 틀린 이유”를 새로운 과학지식으로 환류시키는 구조가 중요하다.

2. TxAgentRAG

   Planner–Retriever–Critic–Checker 구조를 다음처럼 확장할 수 있다.

   • Planner: 정보가치가 높은 다음 조성·공정 선택
   • Retriever: 문헌 레시피, DFT 결과, 과거 실패조건 검색
   • Critic: 상순도·전도도·합성비용의 상충 평가
   • Checker: 전구체 호환성, 장비범위, 열처리 안전성 검증

3. AssayKG-RAG

   조성만 저장해서는 폐루프를 재현할 수 없다. 전구체 배치, 혼합·소성 조건, 장비 교정, XRD 원시데이터, Rietveld 상분율, 전도도 측정조건, 실패원인과 모델 버전을 qualifier로 갖는 Materials Experiment KG로 확장할 필요가 있다.

4. SGI 평가

   • D2: 조성–레시피–장비–측정결과 provenance
   • D3: 실패합성과 반대증거의 적극적 활용
   • D4: 온도·분위기·입도·치밀도 등 조건 인식
   • D5: 예측 불확실성과 안전한 abstention
   • D6: 새 XRD 증거에 따른 모델·탐색전략 수정
   • D7: 다른 시설과 장비에서의 외부 재현성

전략적 평가

이번 연구의 핵심은 “18개 후보를 찾았다”는 숫자보다, 물리모델을 고정된 진리로 사용하지 않고 실제 성공·실패 실험으로 합성가능성의 경계를 수정했다는 것이다.

ETRI의 차별화 목표는 여기에 증거책임성을 더하는 것이다.

어떤 문헌·계산·실험이 후보 선택에 영향을 주었고, 실패 결과가 어느 가정과 비용함수를 변경했으며, 그 변경이 다음 실험과 과학적 결론을 어떻게 바꾸었는지를 감사 가능한 시간적 근거그래프로 보존하는 Autonomous Science Lab.