싱크로트론 빔라인을 스스로 정렬한 LLM 엑스선 과학자

Pebblous Data Communication Team

핵심 요약

SLAC 국립가속기연구소 연구진이 Nature Machine Intelligence에 발표한 연구는, 대형 언어모델(LLM) 에이전트가 싱크로트론 빔라인을 스스로 정렬하도록 만든 사례다. 연구진은 실제 X선 산란 시설을 본뜬 가상 회절계에서 에이전트의 작업 절차를 개발하고, 그 절차를 수정 없이 실제 빔라인에 그대로 올렸다. 코드 한 줄 고치지 않은 이 이식이 어떻게 통했는지가 이 사례가 남긴 물음이다.

에이전트가 한 일은 데이터 해석이 아니라 장비 운전이었다. 검출기와 시료를 움직여 기준 반사(reference reflection)를 찾아내고, 그 결과로 결정의 방위 행렬(orientation matrix)을 세웠다. 단결정 산란 실험의 첫 관문을 사람 손을 거의 빌리지 않고 통과한 셈이다. 다만 6축 회절계라는 자유도가 낮고 목표가 뚜렷한 문제였다는 점은 성과의 크기를 가늠할 때 함께 짚어야 한다.

AI가 결과를 분석하는 단계를 넘어 장비를 직접 운전하기 시작하면, 성패를 가르는 것은 모델의 영리함보다 가상 환경이 실물을 얼마나 정확히 닮았는가다. 좌표계와 캘리브레이션, 타이밍이 실제 장비와 어긋나는 순간 sim-to-real은 무너진다. 이는 페블러스가 합성데이터와 3DGS를 두고 던져 온 물음과 정확히 같은 질문이, 이번에는 억대 과학 장비 앞에서 반복된 것이다.

수정 0

sim→real 직접 이식

가상 회절계 절차를 실기에 그대로

6축

자율 정렬한 자유도

검출기 2축 + 시료 4축 회절계

방위 행렬

스스로 완성한 과제

기준 반사 탐색 후 결정 방위 결정

16.0 keV

실제 실험 조건

SSRL BL17-2 · Co₃Sn₂S₂ 시료

1

가상 회절계에서 실제 빔라인으로

싱크로트론 빔라인에서 단결정 산란 실험을 시작하려면, 먼저 결정이 공간에서 어떻게 놓여 있는지를 알아야 한다. 이를 위해 검출기와 시료를 이리저리 돌려 특정 방향에서만 강하게 나타나는 신호, 곧 기준 반사를 찾고, 그 좌표로부터 결정의 방위 행렬을 계산한다. 숙련된 빔라인 과학자가 장비 앞에 붙어 손으로 맞춰 온 작업이다.

연구진은 이 일을 LLM 에이전트에게 맡겼다. 바탕이 된 모델은 기성 LLM이고, 여기에 Model Context Protocol(MCP)을 붙여 장비 제어와 데이터 조회를 구조화된 도구 호출로 다루게 했다. 핵심은 훈련 무대였다. 실제 대형 X선 산란 시설을 본뜬 가상 6축 회절계를 직접 만들고, 그 안에서 에이전트가 검출기 모터 두 개와 시료 모터 네 개를 조작하며 정렬 절차를 익히도록 한 것이다.

그렇게 다듬은 워크플로를 수정 없이 실제 빔라인에 올렸다. 무대는 SLAC의 SSRL BL17-2, 입사 X선 에너지는 16.0 keV, 시료는 자성 물질로 주목받는 Co₃Sn₂S₂ 단결정이었다. 에이전트는 가상 환경에서 익힌 그대로 장비를 움직여 기준 반사를 찾아내고 방위 행렬을 세웠다. 시뮬레이터에서 배운 절차가 실물 장비에서 곧바로 통했다는 것이 이 연구의 뼈대다.

연구진은 이를 두고 AI 에이전트가 과학 과제를 스스로 계획하고 실행하며, 결과를 분석하고 다시 시도하는 과정을 거쳐 과학적 목표를 달성한 첫 시연이라고 밝혔다. 대형 언어모델이 대형 과학 시설에서 적응적 폐루프 실험을 이끈 사례라는 것이다. 억대 장비 앞에서 사람의 개입 없이 이 고리가 한 바퀴를 온전히 돌았다는 점이, 표면의 신기함보다 오래 남는 대목이다.

▲ 가상 6축 회절계에서 개발한 정렬 절차를 수정 없이 실제 SSRL 빔라인에 올렸다. 에이전트는 장비를 움직이고 측정 결과를 보고 다음 동작을 정하는 폐루프로 방위 행렬까지 완성한다. | 페블러스 원본 도식

2

'분석'에서 '운전'으로

지금까지 과학 현장의 AI는 대부분 데이터를 받아 해석하는 역할이었다. 회절 패턴에서 구조를 추정하거나, 방대한 실험 로그에서 이상치를 짚어 주는 식이다. 사람이 장비를 돌려 데이터를 만들고, AI는 그 결과를 읽었다. 이번 사례가 다른 지점은 순서가 바뀌었다는 데 있다. 에이전트가 장비를 직접 움직이고, 나온 신호를 보고 다음 동작을 정한다. 움직이고, 측정하고, 판단하는 고리를 스스로 돈다.

자율성의 층위로 보면 이 차이는 뚜렷하다. 앞선 연구 가운데 VISION은 빔라인 과학자가 음성으로 장비에 지시하도록 돕는 모듈형 어시스턴트였다. 사람의 의도를 장비 언어로 옮겨 주는 통역에 가까웠다. 베이지안 최적화로 광학계를 자동 정렬한 연구도 있었지만, 이는 정해진 목표함수를 수치적으로 최적화하는 방식이라 계획을 세우고 판단하는 주체는 아니었다.

▲ 빔라인 AI는 통역자(VISION)와 최적화자(베이지안 정렬)를 거쳐, 계획하고 실행하며 판단하는 오퍼레이터로 역할이 옮겨 왔다. | 페블러스 원본 도식

어시스턴트에서 오퍼레이터로

같은 빔라인이라는 무대에서도 역할의 위치가 다르다. 통역하고 최적화하던 자리에서, 계획하고 실행하고 결과를 보고 다시 시도하는 자리로 옮겨 온 것이다. AI가 실험을 돕는 도구에서 실험을 운전하는 주체 쪽으로 한 칸 이동했다는 뜻이며, 이번 연구의 무게 중심도 여기에 있다.

3

가상에서 익힌 절차가 왜 실물에서 통했나

가상 환경에서 배운 행동이 실제 장비에서 그대로 통하는 일은 결코 당연하지 않다. 로보틱스에서 sim-to-real이 오랫동안 어려운 문제였던 것도 같은 이유다. 시뮬레이터가 아무리 그럴듯해도 실물과 미세하게 어긋나면, 그 틈으로 정책이 통째로 무너진다. 그러니 이번 이식이 성립한 조건을 짚어 보는 편이 성과 자체보다 더 오래 남는 교훈이 된다.

먼저 문제의 크기가 유리했다. 6축 회절계는 자유도가 여섯 개로 제한돼 있고, 기준 반사를 찾아 방위 행렬을 세운다는 목표가 명확하다. 탐색 공간이 넓지 않고 성공과 실패의 판정이 분명하면, 시뮬레이터가 담아야 할 물리도 그만큼 좁아진다. 넓고 모호한 문제였다면 같은 방식이 그대로 통했으리라고 보기 어렵다.

더 근본적인 조건은 가상 회절계가 실제 장비의 좌표계와 물리 제약을 얼마나 충실히 반영했는가다. 여기서부터는 논문이 직접 논한 대목이 아니라, 이런 종류의 전이에서 일반적으로 걸리는 지점을 짚는 것이다. 경험적으로 sim-to-real이 무너지는 자리는 대개 세 곳이다. 시뮬레이터와 실물의 좌표축 정의가 어긋나거나, 모터의 캘리브레이션이 미세하게 드리프트하거나, 명령과 실제 동작 사이의 타이밍이 벌어질 때다. 이 세 가지가 맞아떨어졌기에 수정 없는 배포가 가능했다고 읽는 편이 자연스럽다.

▲ 경험적으로 sim-to-real은 좌표축 정의, 모터 캘리브레이션, 명령-동작 타이밍 세 지점에서 무너진다. 이번 빔라인 이식에서는 셋 다 실물과 맞아떨어졌다. | 페블러스 원본 도식

4

병목은 모델이 아니라 시뮬레이터로 옮겨 간다

여기서 관점을 한 번 뒤집어 볼 수 있다. 이 연구가 통한 이유를 에이전트가 똑똑해서라고만 읽으면 절반만 본 것이다. 같은 기성 LLM을 가져다 썼는데도 실기에서 통한 것은, 그 앞에서 익힐 가상 환경이 실물을 충분히 닮았기 때문이다. 모델의 영리함이 상수에 가까워질수록, 성패를 실제로 가르는 변수는 시뮬레이터가 실물을 얼마나 정확히 재현하느냐로 옮겨 간다.

이 병목의 이동은 페블러스가 다뤄 온 질문과 그대로 겹친다. 합성데이터로 모델을 학습시킬 때도, 3DGS로 만든 장면으로 로봇을 훈련시킬 때도, 결국 관건은 그 가상 데이터가 물리적으로 타당한가였다. 좌표계가 맞는가, 스케일과 캘리브레이션이 실물과 일치하는가, 시간축의 정합이 유지되는가. AI가 장비를 운전하기 시작하면 이 물음은 논문 속 벤치마크가 아니라 억대 실험 장비 앞에서 곧바로 값을 치른다.

자율 실험의 신뢰는 모델의 크기가 아니라 그 앞에 놓인 시뮬레이터 데이터의 품질에서 나온다. 실물을 정확히 닮은 가상 환경을 만드는 일이, 더 큰 모델을 얹는 일보다 앞서는 문제가 된다는 뜻이다. 이번 빔라인 정렬은 그 순서를 작지만 분명한 사례로 보여 준다.

5

남는 질문들

성과를 과장하지 않으려면 경계도 분명히 그어야 한다. 이번 정렬은 자유도가 낮고 목표가 뚜렷한 문제에서 이루어졌다. 다음 질문은 이 방식이 어디까지 넓어질 수 있는가다.

• 자유도가 커지면. 더 많은 축과 더 복잡한 시료를 다루는 빔라인에서도, 탐색 공간이 넓어진 만큼 시뮬레이터의 충실도 요구가 급격히 올라간다.
• 목표가 여럿이면. 정렬처럼 판정이 분명한 과제를 넘어 여러 목표를 저울질하는 실험 설계로 가면, 무엇을 성공으로 볼지부터 다시 정의해야 한다.
• 시뮬레이터가 못 담은 물리가 있으면. 가상 환경이 놓친 실물의 물리가 등장하는 순간 수정 없는 배포는 성립하지 않는다. 어떤 물리까지 담아야 하는가를 미리 아는 일 자체가 과제다.

그럼에도 이 사례가 던지는 신호는 분명하다. AI를 장비 앞에 세우려는 시도는 앞으로 늘어날 것이고, 그때마다 진짜로 공들여야 할 대상은 모델이 아니라 그 모델이 익힐 가상 환경이 된다. 실물을 얼마나 정직하게 닮은 데이터를 만들 수 있는가, 자율 실험의 성패는 결국 그 질문으로 돌아온다.

R

참고문헌

핵심 논문

1.Chen, Z., Petsch, A. N., Israelski, A. J., Plumley, R., Thampy, V., & Turner, J. J. et al. (2026). "An agentic artificially intelligent X-ray scientist." Nature Machine Intelligence. DOI: 10.1038/s42256-026-01261-5.
2.Chen, Z., Turner, J. J. et al. (2025). "An agentic artificially intelligent X-ray scientist." Research Square 프리프린트, DOI: 10.21203/rs.3.rs-7456716/v1 (아키텍처·실험 조건의 출처).