대규모 언어모델(LLM) 기반 인공지능(AI) 에이전트가 신소재를 탐색하는 과정에서 중요한 진전이 있었습니다. 'TRACE(Transition-Aware Residual Control)'라는 새로운 프레임워크가 개발되어, 기존 방식의 한계를 극복하고 재료 발견의 효율성을 크게 향상시켰습니다. 이 기술은 값비싼 재료 속성 평가가 다음 탐색 단계에 얼마나 효과적으로 반영되는지에 집중합니다.
기존 LLM 에이전트는 평가된 후보 물질과 그 점수만을 저장하여, 어떤 물질이 성공했는지는 알지만 어떤 '수정(edit)'이 유용한 속성 변화를 일으켰는지는 파악하지 못했습니다. 이는 여러 목표가 상충할 때, 즉 한 속성을 개선하는 수정이 다른 속성을 손상시킬 수 있을 때 국소적인 정밀 개선(local refinement)을 어렵게 만들었습니다. TRACE는 이러한 문제에 대한 해답으로, 평가된 수정을 피드백의 기본 단위로 취급합니다. 각 국소적 개선 과정을 '부모-수정-자식' 전환으로 기록하고, 관찰된 속성 변화(property deltas)를 함께 저장합니다. 이를 통해 재사용 가능한 수정 효과를 추정하고, 현재 후보 물질의 남은 제약 위반을 줄이면서 이미 충족된 목표를 손상시키지 않는 방식으로 미래 수정을 예측하고 순위를 매깁니다. 통제된 비교 실험에서 TRACE는 최신 LLM 에이전트인 LLEMA 대비 매크로 평균 적중률(macro-average hit rate)을 18.13%에서 25.96%로 약 40% 가까이 개선하는 성과를 보였습니다.
이러한 발전은 신소재 개발 분야에 AI를 적용하는 데 있어 중요한 의미를 가집니다. TRACE는 단순히 성공적인 결과물을 찾는 것을 넘어, 그 결과에 도달하기 위한 '과정'과 '변화' 자체를 학습함으로써 AI 에이전트의 탐색 전략을 고도화합니다. 이는 특히 다목적 재료 설계와 같이 복잡하고 상충하는 목표를 동시에 만족시켜야 하는 문제에서 AI의 실용적인 가치를 높여줍니다. 결과적으로, TRACE는 재료 과학자들이 더 효율적이고 정확하게 원하는 특성을 가진 신소재를 발견하고 최적화하는 데 기여하며, 연구 개발 비용과 시간을 절감하는 데 도움을 줄 것으로 기대됩니다.