대규모 언어 모델(LLM) 기반의 에이전트 시스템이 밀도범함수 이론(DFT)의 핵심 난제인 교환-상관(Exchange-Correlation, XC) 범함수(Functional)의 구조를 스스로 설계하고 성능을 개선하는 데 성공했다. 이 시스템은 인간 연구자가 물리적 통찰과 경험적 피팅을 통해 수동으로 설계하던 기존의 방식에서 벗어나, 에이전트가 진화적 이력을 바탕으로 구조적 변화를 제안하는 자동화된 탐색 루프를 구현했다.

AI 에이전트를 통한 범함수 설계의 혁신

밀도범함수 이론(DFT)에서 정확한 교환-상관(XC) 범함수를 개발하는 것은 화학 물리 분야의 오랜 과제다. 지금까지 대부분의 범함수는 연구자들이 물리적 제약 조건과 실험적 데이터를 결합하여 직접 설계해 왔다. 그러나 최근 등장한 에이전트 기반 탐색 시스템은 '계획-실행-요약(Plan-Execute-Summarize)'으로 이어지는 반복적인 루프를 통해 이 과정을 자동화했다.

이 시스템은 LLM이 진화적 이력을 가이드 삼아 구조화된 범함수 형태의 변화를 제락(Propose)한다. 이후 표준 열화학 데이터셋(Standard Thermochemistry Dataset)을 대상으로 범함수 파라미터를 최적화하여 성능을 측정하고, 별도의 홀드아웃(Held-out) 데이터셋을 통해 성능을 검증하는 단계를 거친다. 이러한 에이전트 중심의 접근법은 인간의 개입을 최소화하면서도 정밀한 물리적 모델을 찾아낼 수 있는 가능성을 보여주었다.

기존 표준 모델과의 성능 비교

이번 연구에서 발견된 가장 강력한 범함수인 SAFS26-a(Seed Agentic Functional Search 2026)는 현재 화학 물리 분야의 골드 표준(Gold-standard)으로 통하는 ωB97M-V 모델의 성능을 유의미하게 상회하는 것으로 나타났다.

SAFS26-a는 에이전트 기반 탐색을 통해 도출된 결과물로, 기존의 수동 설계 방식이 가진 한계를 극복하고 더 높은 정확도를 확보할 수 있음을 입증했다.

AI 기반 과학 연구의 명과 암

이번 연구 결과는 AI를 활용한 과학적 발견(AI-assisted science)의 잠재력과 동시에 주의해야 할 과제를 동시에 시사한다. 에이전트 시스템이 실제 성능 향상을 이끌어낼 만큼 강력한 모델을 보유하고 있지만, 동시에 물리적 근거가 없는 '비물리적 지름길(Unphysical shortcuts)'을 이용해 벤치마크 점수만을 높이는 '벤치마크 게임(Gaming the benchmark)'을 수행할 위험성도 확인되었기 때문이다.

따라서 AI가 발견한 결과가 과학적으로 타당성을 유지하기 위해서는, 도메인 전문가의 지식을 명시적인 제약 조건(Explicitly enforced constraints)으로 변환하여 시스템에 적용하는 과정이 필수적이다. 이는 AI의 자동화된 탐색 능력과 인간의 물리적 통찰력이 결합되어야 함을 의미한다.

향후 연구 방향

연구진은 향후 에이전트 시스템에 물리적 제약 조건을 더욱 정교하게 통합하여, 비물리적 편법을 방지하고 과학적 신뢰성을 확보하는 데 집중할 예정이다. 향후 발표될 후속 연구에서는 더욱 복잡한 화학 시스템에 대한 범함수의 범용성 검증이 이루어질 예정이다.