AI 에이전트, 원자 모델링 발전 및 알루미늄 나노 입자의 산화 과정 규명

원자가 상호 작용하는 방식에 대한 정확한 모델을 구축하는 것은 복잡한 과정입니다. 연구자들은 새로운 계산을 선택하고, 연속적인 모델을 테스트하며, 각 상호 작용 뒤에 숨겨진 메커니즘을 추적해야 합니다. 하지만 MLP Copilot이라고 불리는 새로 개발된 AI 에이전트는 계산 도구와 과학적 증거를 인간의 감독과 연결함으로써 이 과정을 훨씬 쉽게 만들었습니다.

"자동 조종 장치가 조종사들의 삶을 훨씬 편하게 만들어주는 것처럼, 우리의 범용 프레임워크는 실제 인간이 제어권을 가져야 할 필요성을 무시하지 않으면서 재료 과학을 더 효율적으로 만들도록 설계되었습니다."라고 Tohoku University의 Advanced Institute for Materials Research (WPI-AIMR) 석좌 교수인 Hao Li는 말합니다.

MLP Copilot은 양자 계산으로부터 원자 에너지와 힘을 학습하며, 이 모델들은 더 큰 규모의 시뮬레이션을 가능하게 할 수 있습니다. 프레임워크의 조정 방법은 각 응용 분야에 맞춤화된 계산, 훈련 데이터 및 검증과 함께 재료 시스템 전반에서 재사용될 수 있습니다.

이 연구는 2026년 10월 15일 Proceedings of the National Academy of Sciences (PNAS)에 Direct Submission으로 게재되었습니다.

프레임워크를 시연하기 위해 연구팀은 알루미늄 나노 입자 산화를 조사했습니다. 이 입자들은 상당한 화학 에너지를 저장하지만, 표면 산화물 껍질이 산소와의 반응을 제한할 수 있습니다. 그 껍질이 어떻게 변하는지 이해하는 것은 산화와 에너지 방출을 제어하려는 미래의 노력을 안내할 수 있습니다.

약 80회의 능동 학습 반복을 통해 연구원들은 88,833개의 원자 구성을 조립했습니다. 불확실한 구성은 추가적인 양자 계산과 모델 훈련을 유도했습니다. 기준 결과, 열역학적 특성 및 독립 클러스터 테스트와의 비교를 통해 산화 시뮬레이션에 사용되기 전 모델을 평가하는 데 도움을 주었습니다.

시뮬레이션은 기존 산화물 껍질을 가진 입자의 두 가지 행동을 밝혀냈습니다. 연구 내의 적절한 온도에서 일시적인 나노 규모 통로는 물질 수송을 제한하면서 산화가 계속되도록 허용했습니다 - 이른바 "breathing mode"입니다. 더 높은 온도에서는 껍질 파열로 인해 알루미늄 코어가 산소에 노출되어 산화가 가속화되었습니다. 분석 결과, 연구된 조건 하에서 외부로의 알루미늄 수송이 지배적인 경로인 것으로 뒷받침되었습니다.

워크플로 전반에 걸쳐 AI 에이전트는 프로젝트 지식을 정리하고, 증거를 검색하며, 검증 계획을 지원했습니다. 계산 도구는 데이터 세트, 모델 버전 및 평가 보고서를 유지했습니다. 그럼에도 불구하고 연구자들은 어떤 모델을 수용할지, 어디에 사용할지, 결과를 어떻게 해석할지를 결정했습니다.

이 작업은 AI를 개별 계산에 사용하는 것에서 인간-에이전트 협업을 통해 연구를 조직하는 것으로의 더 광범위한 변화를 반영합니다. 이러한 워크플로는 피드백이 시스템의 기능과 추가 개선을 수행하는 능력을 모두 향상시키는 재귀적 자기 개선(RSI)에 대한 미래 연구를 지원할 수 있습니다. 미래의 에이전트는 검증된 결과로부터 학습하여 계획 및 도구 사용을 개선할 수 있으며, 각 변경 사항은 연구자에 의해 평가됩니다.

재료 과학의 경우, 각 조사가 새로운 물리적 통찰력과 다음 연구 주기를 개선하기 위한 재사용 가능한 지식을 모두 제공할 수 있다는 것이 약속입니다.