다중 에이전트 LLM 기반 단일 원자 촉매 설계

대규모 언어 모델(LLM)은 자연어 처리 외에도 복잡한 과학 문제 해결에 활용되며, 기존 기계 학습 방식과 달리 추론 및 맥락 학습 능력을 통해 재료 발견 분야에 새로운 패러다임을 제시하고 있습니다. 본 연구는 산소 환원 반응을 위한 고성능 단일 원자 촉매를 발견하기 위해 다중 에이전트 기반 추론 및 최적화를 통한 전기 촉매 탐색(MAESTRO) 프레임워크를 제안합니다. MAESTRO는 전문화된 역할을 가진 여러 LLM이 협력하여 자율적인 설계 루프 내에서 작동합니다. 각 에이전트는 반복적으로 추론하고, 촉매 수정안을 제안하며, 결과를 반영하고, 설계 이력을 축적합니다. 이 반복적인 과정을 통해 맥락 학습이 가능해집니다. 이러한 과정을 통해 MAESTRO는 LLM의 배경 지식에 명시적으로 인코딩되지 않은 설계 원리를 식별했으며, 반응 중간체 간의 기존 스케일링 관계를 깨뜨리는 촉매를 성공적으로 발견했습니다. 이는 다중 에이전트 LLM 프레임워크가 화학적 통찰력을 생성하고 유망한 촉매를 발견하는 강력한 전략임을 보여줍니다. 본 연구 결과는 재료 과학 분야에서 다중 에이전트 LLM 프레임워크의 잠재력을 강조하며, 새로운 촉매 설계 및 발견을 위한 효율적인 접근 방식을 제시합니다.