← 연구 아이디어

연구 아이디어

소재 적용 정도 드묾 성숙도 초기 단계

소재 워크플로에 typed agent와 정규화된 실험·시뮬레이션 저장소를 붙여보자

타입드 에이전트 기반 코디자인 워크플로 · Agentic co-design workflow with typed tools and normalized experiment data

제안 AI 제안

소재 분야 적용은 아직 검증되지 않은 제안입니다.

도구를 직접 호출하는 에이전트가 실험·시뮬레이션 절차를 반복 수행하고, 결과를 구조화된 저장소에 기록한 뒤 다시 질의하도록 만드는 방식입니다. 대화형 메모리보다 데이터 중심의 반복 루프를 중시합니다.

재료 연구실에서는 DFT, MD, 합성, 특성평가, 후처리 스크립트가 제각각 흩어져 있는 경우가 많으니, 먼저 각 단계의 입출력을 typed tool로 감싸는 방식부터 시도해볼 만합니다. 에이전트가 파일을 직접 읽는 대신, 조성·구조·조건·측정값을 정규화된 테이블에 쓰고 읽게 하면 실험 이력을 더 쉽게 추적할 수 있습니다.

그 다음에는 한 가지 좁은 루프만 골라 자동화하는 것이 좋습니다. 예를 들어 후보 조성 생성→DFT 계산 제출→결과 수집→다음 후보 추천 같은 루프를 만들고, 모든 중간 산출물을 질의 가능한 스키마로 저장하는 식입니다. 이렇게 하면 에이전트의 추론 오류와 데이터 누락을 분리해서 볼 수 있습니다.

적용해볼 소재 과제
분산된 실험/시뮬레이션 파이프라인의 재현성, 추적성, 자동화
지금 시도할 만한 이유
최근 에이전트 프레임워크와 구조화 저장소, 도구 호출형 LLM 사용이 빠르게 성숙하면서, 대화보다 워크플로 중심 설계가 현실적이 되었기 때문입니다.
첫 걸음
한 가지 반복 작업만 선택해, 수동 파일 폴더를 SQL 테이블로 바꾸고 에이전트가 그 테이블에서만 읽고 쓰도록 하는 1주짜리 파일럿을 수행해 보세요.
위험과 한계
스키마 설계와 데이터 정규화 비용이 큽니다. 기존 장비 소프트웨어나 HPC 워크플로와 연결이 어렵고, 잘못된 스키마는 오히려 자동화를 방해할 수 있습니다. 또한 초기에는 에이전트가 쓸모 있는 결정을 내리는지 검증하기 위해 사람의 개입이 많이 필요할 수 있습니다.

근거 다른 분야의 검증 사례

아래 링크는 이 기법이 다른 분야에서 통했다는 근거입니다. 소재 분야 적용 결과가 아닙니다.

  1. Coco: An Agentic Copilot for the Hardware--Software Co-Design Lifecycle

관련 개념과 실습

AI가 최신 기법을 조사해 제안한 방향입니다. 검증된 결과가 아니며, 시도 여부와 위험은 연구 책임자가 판단해야 합니다.