재료 정보학(Materials Informatics)은 인공지능의 활용이 데이터를 분석하거나 새로운 조성을 제안하는 데 그치지 않고, 제기해야 할 질문을 정하고 연구 주기 자체를 설계하는 단계로 나아가고 있다. 2026년 9월 9일에 발표된 이 글은 대규모 언어 모델(LLM)과 지능형 에이전트가 재료 개발 주기에서 수행하는 역할을 통해 이러한 변화를 논의한다.
핵심 아이디어는 인공지능이 연구자를 대체한다는 것이 아니라, 인간과 시스템 사이의 역할 분담 방식이 달라진다는 데 있다. 하나의 실험을 수행한 뒤 그 결과를 분석하는 대신, 이전 데이터를 바탕으로 알고리즘이 다음 실험을 선택하는 반복 루프를 구축할 수 있으며, 검증과 개입에 관한 결정은 프로세스 설계 안에 계속 포함된다.
결과 최적화에서 다음 실험 선택으로
이 글은 재료공학에서 베이지안 최적화의 활용이 다음 실험을 순차적으로 선택할 수 있게 했다고 설명한다. 이 방법은 이전 결과와 모델의 불확실성을 바탕으로 연구에 가장 유용할 것으로 예상되는 지점을 선택한다. 그러나 이 방식만으로는 결과를 완전히 해석하거나 영향을 미치는 모든 요인을 발견할 수 없다. 기본적으로 제한된 실험 횟수 안에서 최적의 값을 찾는 것을 목표로 하기 때문이다.
또한 논의에서는 베이지안 최적화의 성공 여부가 변수와 제약 조건을 어떻게 정의하느냐에 달려 있다고 지적한다. 일부 조건이 포함되지 않거나 연구 범위 밖으로 간주되면, 사용자가 이를 명확히 인식하지 못한 채 인공지능의 권고 범위가 달라질 수 있다. 특히 재료의 조성과 성능 사이의 관계가 충분히 알려지지 않은 경우에는 목표 자체를 정하는 일이 연구 문제가 될 수 있다.
대규모 언어 모델은 무엇을 더하는가?
대규모 언어 모델은 과거 기록을 읽고 정보를 정리하며 패턴을 추출하거나 초기 가설을 작성하는 등 질문 설계에 참여할 수 있다. 그러나 이 글은 이러한 능력을 자동으로 신뢰할 수 있는 지식을 생산하는 것과 동일시해서는 안 된다고 경고한다. 이용 가능한 정보에서 모델이 도출하는 추론은 연구자가 도달하려는 결과와 다를 수 있으며, 모델의 출력은 데이터의 한계와 질문을 구성하는 방식도 반영할 수 있다.
따라서 작업 흐름에 언어 모델을 도입하는 것만으로는 충분하지 않다. 질문을 데이터, 실험, 검증 기준과 연결하고, 그 결과를 연구 루프로 되돌려 질문을 갱신하거나 다음 실험을 선택하는 메커니즘을 구축해야 한다. 이러한 형태에서 모델은 검토 가능한 탐색 과정의 일부가 되며, 과학적 판단의 유일한 출처가 되지 않는다.
루프 안의 인간 또는 루프 위의 인간
이 글은 human-on-the-loop 개념을 인간이 시스템을 감시하고 필요할 때 개입할 권한을 갖는 모델로 논의한다. 이는 human-in-the-loop 모델처럼 인간이 모든 단계에 수동으로 참여하는 방식과 다르다. 이 아이디어는 소프트웨어 개발 맥락에서 글이 ‘루프 엔지니어링’(loop engineering)이라고 부르는 개념과 연결된다. 즉, 인공지능을 주기에 어디에 배치할지, 인간이 무엇을 감시할지, 언제 프로세스를 반복하거나 중단할지를 정하는 것이다.
이 관점은 설계의 범위를 모델의 능력에서 시스템 전체의 설계로 확장한다. 문제는 인공지능이 답을 제안할 수 있는지에만 있는 것이 아니라, 누가 그 답을 검토하는지, 결과의 품질을 어떻게 측정하는지, 그 결과에 따라 어떤 조치를 취하는지, 그리고 언제 결정이 인간에게 돌아가는지에도 있다. 이 글은 자동화에서 인간의 역할에 관한 논의가 2025년 동안 강화되었고, 2026년에는 인공지능 에이전트를 개발할 때 루프 엔지니어링을 고려하자는 요구가 부각되었다고 언급한다.
왜 이 소식이 중요한가?
이 주장이 갖는 실질적 영향은 재료공학 프로젝트를 모델의 정확도나 모델이 수행할 수 있는 실험 수만으로 평가하지 않게 된다는 점이다. 명확한 목표, 변수의 범위, 제외 조건, 인간 검토 지점도 정의해야 한다. 시스템이 결과에서 다음 실험으로 이동하는 능력이 커질수록 의사결정을 추적하고 검증할 수 있는 능력은 더욱 중요해진다.
그러나 이 글은 에이전트나 언어 모델이 이러한 제약을 해결했다는 증거를 제시하지 않는다. 오히려 이를 열린 설계 질문으로 제시한다. 성공적인 결과를 어떻게 정의할 것인가? 결과를 다음 행동과 어떻게 연결할 것인가? 그리고 언제 인간의 개입이 필요한가? 따라서 제안된 변화의 핵심 가치는 연구를 완전히 자동화하는 데 있지 않으며, 인공지능의 활용을 검사하고 수정할 수 있도록 연구 주기를 다시 설계하는 데 있다.