관측을 선택하는 AI,
전주기를 잇는 실험실

이번에 새로 확인된 의미 있는 연구는 2건이다. 핵심 변화는 자율실험의 중심이 단순한 목적함수 최적화에서 다음 두 방향으로 확장된다는 점이다.

1. 물리적 실험에서 AI가 어디를 관측해야 하는지까지 결정하는 능동지각
2. 분자설계부터 공정·제품성능까지 연결하는 전주기 연구 오케스트레이션

• 공개일: 2026년 9월 26일
• 상태: arXiv v1 사전공개본. 동료심사되지 않았으며, 수정·철회 이력 없음
• 연구분야: 자율 광학실험, 멀티모달 에이전트, 능동지각, 로봇 제어
• 원문: arXiv:2609.32918, HTML 원문

MIT 연구진은 사전 정의된 수치 목적함수를 최적화하는 전통적 self-driving laboratory와 달리, VLM이 카메라 영상과 행동 이력을 해석하여 관측·측정·제어 행동을 직접 선택하는 물리적 폐루프 실험을 구현했다.

핵심 방법

에이전트는 다음 정보를 입력받는다.

• 장치와 목표에 대한 자연어 설명
• 현재 카메라 영상
• 이전 영상·명령·측정으로 구성된 전체 상호작용 이력
• 허용되는 액추에이터 및 카메라 이동 명령
• 장비별 안전 동작범위

각 단계에서 VLM은 거울 조정, 카메라 위치 변경, 추가 측정 또는 종료를 선택한다. 명령은 로봇 팔과 Wi-Fi 기반 모터 제어기로 실제 실행되며, 그 결과 영상이 다음 추론 입력으로 돌아간다.

중요한 점은 정렬오차 같은 수치 목적함수가 에이전트에게 제공되지 않는다는 것이다. 즉,

의 폐루프를 VLM이 직접 수행한다. 실험은 Michelson 간섭계, 2거울 광학공동, 4거울 광학 릴레이의 세 장치에서 각각 10개 초기조건으로 평가됐다.

실험적 성과

특히 4거울 시스템에서 Bayesian optimization은 최종 검출기에 빛이 도달하지 않는 모든 상태가 동일한 목적값을 받으면서 세 번째 거울 이후로 진행하지 못했다. 반면 VLM은 카메라 위치를 변경하여 정보를 만들어내고 문제를 순차적인 국소 정렬 문제로 분해했다.

기존 동향 대비 신규성

기존 SDL에서 행동은 주로 다음 값을 개선하기 위한 수단이다.

이번 연구에서는 행동의 일부가 결과 자체를 개선하기보다 다음 판단에 필요한 증거를 생성한다.

따라서 핵심 신규성은 VLM 기반 제어 자체보다 다음 세 가지에 있다.

• 액추에이터–관측 관계를 사전 보정 없이 개입을 통해 추론
• 신호 소실이 성공인지 실패인지 추가 실험으로 판별
• 관측위치 자체를 실험변수로 선택하는 epistemic action 구현

이는 “어떤 조건을 시험할 것인가”를 결정하는 기존 자율실험에서 “무엇을 관측해야 판단할 수 있는가”까지 결정하는 Active-Perception Autonomous Lab으로의 확장이다.

한계

• 연구문제와 장치 목표, 정렬전략에 관한 상당한 자연어 지침은 인간이 제공한다.
• 세 종류의 광학장치와 장치당 10개 초기조건만 평가했다.
• 모델이 성공을 선언했지만 실제로는 실패한 사례가 존재한다. 특히 2거울 실험에서는 모든 모델이 모든 실행에서 완료를 선언했지만 실제 성공률은 크게 달랐다.
• 독립된 연구실·다른 장비에서의 외부 재현성이 확인되지 않았다.
• 가설 생성, 반대증거 해석, 과학이론 갱신까지 수행하지 않는다.
• API 기반 모델의 업데이트에 따른 재현성, 비용, 지연시간이 보고되지 않았다.
• 안전범위를 벗어난 명령은 외부 검증기가 거부하므로 자율적 안전추론이 입증된 것은 아니다.

ETRI 및 관련 연구와의 연계

• Autonomous AI Scientist: 문헌 기반 가설 에이전트에 부족했던 실제 환경의 지각–개입–재관측 계층으로 활용할 수 있다.
• TxAgentRAG: Planner–Visual Evidence Retriever–Action Executor–Outcome Critic–Completion Verifier 구조가 적합하다. 특히 자기 종료 선언을 별도 검증기가 확인해야 한다는 실험적 근거를 제공한다.
• AssayKG-RAG: 영상, 카메라 위치, 광원조건, 모터 명령, 관측시간, 장비 drift와 판단결과를 qualifier로 연결하면 행동 전후 증거를 검색할 수 있다.
• SGI: D2 provenance, D4 조건인식, D5 불확실성과 abstention, D6 증거 기반 계획수정, D7 외부 재현성 평가에 적합한 물리적 벤치마크다.

ETRI의 차별화 기회는 단순 영상기반 장비조작이 아니라, 어떤 관측이 어떤 판단을 가능하게 했고 그 판단이 후속 행동을 어떻게 바꿨는지를 time-respecting evidence graph로 기록하는 것이다.

• 공개일: 2026년 9월 28일
• 상태: arXiv v1 로드맵·관점 논문. 동료심사되지 않았으며 수정·철회 이력 없음
• 연구분야: 고분자 정보학, 역설계, 에이전트 오케스트레이션, self-driving polymer laboratory
• 원문: arXiv:2609.34051, PDF

이 논문은 고분자 연구를 개별 예측모델의 집합이 아니라 자연어 연구목표를 분해하고 전문 도구를 조합하는 모듈형 과학 에이전트 시스템으로 재정의한다. 대상 범위는 순수 고분자, 복합재·배합물, 용매, 합성·공정, 제품 수준 성능과 인간 지각까지 포함한다.

핵심 접근법

제안 구조는 다음 세 계층으로 구성된다.

1. 연구자의 자연어 질문을 해석하는 상위 오케스트레이터
2. 물성예측·생성설계·용매추천·역합성·공정추론 등 전문 워크플로
3. 데이터·모델·알고리즘을 API로 제공하는 통합 정보환경

ASKPOLY와 PolymRize를 부분 구현 사례로 사용하지만, 저자들도 현재 단계가 완전한 자율실험실이 아니라 설계와 의사결정 측의 핵심 구성요소라고 구분한다. 물리적 폐루프 실험은 아직 남아 있는 주요 단계다.

실험적 성과

이번 논문은 새로운 로봇 실험이나 self-driving laboratory 캠페인을 보고하지 않는다.

• 자율 합성·특성평가 결과 없음
• 처리량·발견속도·성공률 비교 없음
• 물리적 폐루프 검증 없음
• 독립 재현실험 없음

따라서 이는 성능을 입증한 시스템 논문보다 기술 스택과 연구투자 우선순위를 제안하는 로드맵으로 분류해야 한다.

기존 동향 대비 신규성

기존 polymer informatics가 주로 구조에서 물성을 예측하거나 목표물성에 맞는 분자를 생성했다면, 이 논문은 설계 범위를 다음과 같이 확장한다.

즉, “좋은 고분자를 찾는다”가 아니라 실제 제품을 구성하는 화학·배합·공정·성능·실용성의 의존관계를 공동 추론한다는 점이 핵심이다.

한계와 개방문제

• 제안된 super-intelligence는 아직 목표 아키텍처다.
• 화학–공정–성능을 연결하는 인과추론이 입증되지 않았다.
• continual learning과 물리적 실험 피드백이 구현되지 않았다.
• 데이터 표준, 문제기술 언어, 모델 신뢰도 비교방법이 부족하다.
• ASKPOLY·PolymRize 개발진의 경험을 중심으로 작성되어 플랫폼 편향 가능성이 있다.
• 실패실험·상충문헌·조건부 물성처럼 부정적이고 맥락의존적인 증거를 어떻게 처리할지 구체적이지 않다.

ETRI 및 관련 연구와의 연계

• Autonomous AI Scientist: 고분자 연구질문을 물성목표, 합성가능성, 공정조건, 제품제약으로 분해하는 도메인 특화 Scientist 계층에 해당한다.
• TxAgentRAG: 도구 선택과 워크플로 구성뿐 아니라, 각 단계의 근거·적용범위·불확실성을 검사하는 Critic과 Checker가 필요하다.
• AssayKG-RAG: 동일 고분자라도 분자량, 분산도, 공중합 비율, 첨가제, 열이력, 가공법에 따라 결과가 달라지므로 qualifier-rich KG가 핵심 기반이 된다.
• SGI: D1 문제 조작화, D2 근거 출처, D3 상충증거, D4 조건인식, D5 불확실성, D6 결과 기반 수정, D7 외부검증을 전주기 평가축으로 적용할 수 있다.

두 연구를 함께 보면 Autonomous Science Lab의 기술 스택이 명확히 분리된다.

ETRI 관점에서 가장 유망한 목표형상은 설계 에이전트와 물리적 능동지각 에이전트를 결합하되, 모든 문헌근거·가설·측정선택·장비행동·실패·인간개입을 하나의 감사 가능한 증거 그래프로 축적하는 전주기 Autonomous Science Lab이다.