고성능 다중에이전트 AI 기반 고속 폴리머 인포매틱스: 예측·설계·생물폴리머까지

초록

본 논문은 대규모 언어 모델과 그래프 신경망을 결합한 다중에이전트 시스템을 제안한다. 폴리머의 물성 예측, 생성 설계, 바이오폴리머 구조 분석을 자동화하고, 메타인지 기반 자기 평가로 성능을 지속적으로 향상시킨다. 테스트 1,251개 폴리머에서 Tg·밀도·인장강도·연신율을 높은 R²(0.89~0.91)로 예측했으며, 10,000개 규모까지 선형 확장성을 보인다.

상세 분석

이 연구는 폴리머 연구 전 과정을 하나의 파이프라인(Polymer Research Lifecycle, PRL)으로 통합한 다중에이전트 AI 프레임워크를 설계하였다. 핵심은 DeepSeek‑V2 기반 플래너 에이전트가 복합 작업을 서브태스크로 분해하고, 각각을 전문화된 에이전트에게 할당한다는 점이다.

1. Molecular Modeling Agent는 RDKit과 그래프 신경망(GNN)으로 SMILES를 그래프 형태로 변환하고, PolyGNN을 통해 Tg, 밀도, 인장강도, 연신율을 예측한다.
2. Physics‑Informed Agent는 물리 기반 제약(PINN)을 도입해 에너지 보존·연성 법칙 등을 강제, 외삽 시 안정성을 확보한다.
3. Ensemble‑Learning Agent는 다수 모델의 예측을 평균·가중합하고, 모델 간 편차를 불확실성 추정에 활용한다.
4. Safety Agent, Synthesis Agent, Reporting Agent, Execution Agent 등 보조 에이전트가 데이터 정제, 안전 검증, 합성 경로 제안, 결과 보고서 자동 생성, 오류 복구 등을 담당한다.
   메타인지 메커니즘은 각 에이전트의 수행 로그와 성능 지표를 실시간으로 분석해 전략·전술·메타전략 수준에서 피드백을 제공한다. 이를 통해 폴리머 설계 목표(예: Tg 150 °C 이상, 인장강도 80 MPa 이상)와 안전 규격을 동시에 만족하는 후보를 자동으로 생성한다.
   실험에서는 1,251개 폴리머에 대해 R²=0.89(Tg), 0.91(밀도), 0.82(인장강도), 0.75(연신율)를 달성했으며, 전용 Tg 벤치마크에서는 단일 LLM(0.67), 그룹 기여법(0.71), ChemCrow(0.66) 등을 모두 앞섰다. 추론 시간은 평균 16.3 s, 메모리 2 GB, GPU 사용량 0.1 h로 비용은 약 $0.08에 불과하다. 또한 10,000개 폴리머까지 선형 확장성을 확인했으며, 병렬 실행 시 5배 가속을 기록했다.
   한계점으로는 (i) 고분자 사슬의 장거리 상호작용을 완전히 포착하기 어려운 점, (ii) 데이터베이스 편향에 따른 예측 불확실성, (iii) 현재는 실험실 자동화와 연계되지 않아 실제 합성 단계에서 인간 개입이 필요하다는 점을 들었다. 향후 연구에서는 멀티스케일 물리 모델과 실험 자동화 로봇을 결합해 전천후 자율 연구 플랫폼을 구현하고자 한다.