AI 에이전트는 알루미늄 나노입자가 어떻게 산화되는지 밝힙니다.

원자가 어떻게 상호작용하는지에 대한 정확한 모델을 구축하는 것은 복잡한 과정입니다. 연구자들은 새로운 계산을 선택하고, 연속적인 모델을 테스트하고, 각 상호 작용의 메커니즘을 추적해야 합니다. 그러나 MLP Copilot이라는 새로 개발된 AI 에이전트는 계산 도구와 과학적 증거를 인간 감독과 연결하여 이 프로세스를 훨씬 쉽게 만들었습니다.

“자동 조종 장치가 조종사의 삶을 훨씬 더 쉽게 만들어 주는 것처럼, 우리의 범용 프레임워크는 실제 인간이 통치해야 할 필요성을 무시하지 않고 재료 과학을 보다 효율적으로 만들기 위해 설계되었습니다.”라고 도호쿠 대학교 재료 연구 고등 연구소(WPI-AIMR)의 석좌 교수인 Hao Li는 말합니다.

MLP Copilot은 양자 계산을 통해 원자 에너지와 힘을 학습하며, 그 모델을 통해 더 큰 시뮬레이션을 실현할 수 있습니다. 프레임워크의 조정 방법은 각 응용 분야에 맞게 계산, 훈련 데이터 및 검증을 통해 재료 시스템 전반에서 재사용될 수 있습니다.

이 연구는 2026년 10월 15일 미국 국립과학원회보(PNAS)에 직접 제출로 게재되었습니다.

프레임워크를 입증하기 위해 팀은 알루미늄 나노입자 산화를 조사했습니다. 이러한 입자는 상당한 화학 에너지를 저장하지만 표면 산화물 껍질은 산소와의 반응을 제한할 수 있습니다. 껍질이 어떻게 변화하는지 이해하면 산화 및 에너지 방출을 제어하려는 향후 노력에 도움이 될 수 있습니다.

약 80회의 능동 학습 반복을 통해 연구원들은 88,833개의 원자 구성을 조립했습니다. 불확실한 구성으로 인해 추가 양자 계산 및 모델 교육이 이루어졌습니다. 참조 결과, 열역학적 특성 및 독립적인 클러스터 테스트와의 비교는 산화 시뮬레이션에 사용하기 전에 모델을 평가하는 데 도움이 되었습니다.

시뮬레이션을 통해 기존 산화물 껍질을 갖는 입자의 두 가지 거동이 밝혀졌습니다. 연구 내의 적당한 온도에서 일시적인 나노 크기 경로는 물질 이동을 제한하면서 산화를 계속하도록 허용했습니다. 즉 “호흡 모드”입니다. 더 높은 온도에서는 쉘이 파열되어 알루미늄 코어가 산소에 노출되어 산화가 가속화되었습니다. 분석은 연구된 조건 하에서 지배적인 경로로서 외부 알루미늄 수송을 뒷받침했습니다.

워크플로우 전반에 걸쳐 AI 에이전트는 프로젝트 지식을 정리하고 증거를 검색하며 검증 계획을 지원했습니다. 전산 도구에는 데이터 세트, 모델 버전 및 평가 보고서가 보관되어 있습니다. 그럼에도 불구하고 연구자들은 어떤 모델을 수용할지, 어디에 사용할지, 결과를 해석하는 방법을 결정했습니다.

이 작업은 개별 계산에 AI를 사용하는 것에서 인간-대리인 협업을 통해 연구를 조직하는 것으로의 광범위한 전환을 반영합니다. 이러한 워크플로는 피드백을 통해 시스템 기능과 추가 개선 능력을 모두 향상시키는 RSI(재귀적 자기 개선)에 대한 향후 연구를 지원할 수 있습니다. 미래의 에이전트는 검증된 결과로부터 학습하여 계획 및 도구 사용을 개선할 수 있으며, 각 변경 사항은 연구원이 평가합니다.

재료 과학의 경우, 각 조사를 통해 새로운 물리적 통찰력과 재사용 가능한 지식을 모두 얻을 수 있어 다음 연구 주기를 개선할 수 있을 것으로 기대됩니다.

출판 세부정보:

제목: 다중 AI 에이전트 프레임워크는 알루미늄 나노입자 산화의 “산화물 게이트키퍼”를 드러냅니다.

저자: Yiming Lu, Tingyu Lu, Di Zhang, Lili Ye, Hao Li

신문: 미국국립과학원회보(PNAS), 123(42), e2537780123(2026)

DOI: 10.1073/pnas.2537780123