어제 Hacker News 메인에 꽤 눈에 띄는 글이 올라왔다. Vals AI가 Claude Opus 4.5 에이전트를 활용해 소재 디스커버리 파이프라인을 엔드투엔드로 돌렸고, 그 결과 상온 자기 반도체 후보 두 종을 뽑아냈다는 내용이다. 172점, 댓글 128개. 가끔 터무니없는 주장을 내는 AI for Science 분야에서 이 정도 논의량은 결코 적지 않다.
쉽게 풀면 이렇다. 상온 자기 반도체는 응집물리학이 수십 년간 못 푼 문제다. 이제 범용 LLM 에이전트가 스스로 워크플로를 굴리고, 후보를 솎아내고, 검증을 돌려서 소재 후보를 제시했다.
아래에서 하나씩 뜯어본다.
정확히 뭘 했나
Vals AI는 Opus 4.5 에이전트에 소재 디스커버리 전 과정을 맡겼다.
- 후보 생성: 기존 소재 데이터베이스와 물리적 직관을 바탕으로 자성 + 반도체성을 동시에 가질 만한 화합물 구조를 생성
- 스크립트 작성: 에이전트가 직접 코드를 작성하고, 제일원리 계산 도구(아마 VASP나 Quantum ESPRESSO 같은 DFT 소프트웨어)를 호출
- DFT 검증: 후보 구조에 대해 밀도범함수이론 계산을 돌려 자기 모멘트와 밴드 구조를 확인
- 필터링: "상온 안정성 + 자성 + 반도체성" 세 가지 조건을 모두 만족하는 결과만 추림
최종 산출물: 상온 자기 반도체 후보 소재 두 종.
⚠️ 짚고 넘어갈 점이 하나 있다. Vals AI 블로그 제목에서 "4.5"를 "5.5"로 적었다(원문 https://www.vals.ai/blogs/room-temperature-magnetic-semiconductors). 오타다. Anthropic이 현재对外 공개한 Opus 버전은 5.5가 아니라 4.5다.
왜 주목할 만한가
지금까지 AI for Science 이야기는 늘 "보조"에 그쳤다.
- AlphaFold의 단백질 구조 예측 — 전용 모델 + 막대한 컴퓨트
- GNoME의 신규 소재 발굴 — Google DeepMind가 수백만 GPU시간 투입
- GNoME 확장 연구 — 역시 전용 파이프라인
공통점은 명확하다: 전용 모델 + 맞춤 파이프라인 + 대규모 컴퓨트. 매번 일회성 공학적 기적이고,课题가 바뀌면 거의 처음부터 다시 쌓아야 했다.
이번은 다르다. Vals AI는 범용 LLM 에이전트를 썼다. 따로 학습시킨 것도, 아키텍처를 조정한 것도 없다. 그냥 Claude Opus 4.5 + 기존 DFT 툴체인이다. 재현 가능하냐? 이론적으로는 가능하다. 여기가 핵심이다.
또 하나 통념과 다른 지점이 있다: 산출물이 검증 가능한 물리 결과라는 점이다. 데모도 아니고 "코드를 얼마나 깔끔하게 짰나"도 아니고, DFT에 넣으면 밴드 구조, 밴드갭, 자기 모멘트를 뽑아주는 후보 소재가 나온다. LLM 에이전트 영역에서 이렇게 정량적인 과학 결과가 나오는 건 매우 드물다.
워크플로우 분해: 프롬프트에서 DFT까지
Vals AI는 전체 프롬프트를 공개하지 않았지만, 공개된 정보와 댓글 논의로 작업 흐름을 대략 추측할 수 있다.
1. 시스템 프롬프트: 작업 정의 — 상온 자기 반도체 탐색
- 입력: 기존 소재 데이터베이스(예: Materials Project)
- 제약: 자기 모멘트 > 임계값, 밴드갭 0.1–3 eV, 형성에너지 < 임계값
- 도구: DFT 계산 스크립트 + 파일 I/O + 코드 실행
2. 에이전트 자율 루프(ReAct 또는 유사 프레임워크):
- Thought: "전이 금속이 도핑된 산화물이 필요하겠다"
- Action: 후보 구조(CIF 파일)를 생성하는 스크립트 작성
- Observation: 구조 생성 성공
- Thought: "VASP를 호출해 자성을 계산하자"
- Action: 입력 파일 작성 후 계산 제출
- Observation: 자기 모멘트 2.3 μB
- Thought: "밴드갭이 너무 좁다, 도핑 비율을 조정하자"
- Action: 구조 수정 후 재계산
- ...(N회 반복)
3. 사람이 개입하는 지점:
- 작업 정의, 제약 조건 설정, 최종 결과 필터링
- DFT 계산 리소스 스케줄링(로컬 vs 슈퍼컴퓨터)
- 물리적 해석, 후속 실험 설계
어떤 단계가 에이전트 자율 결정인가? 후보 생성, 파라미터 조정, 반복 최적화 — 거의 전부 에이전트가 직접 굴렸다. 사람이 루프에 남는 부분은? 작업 정의, 최종 판정, 실험 합성 — 사람이다.
잘 빠지기 쉬운 디테일 세 가지
(1) 상온 자기 반도체 자체가 난제다
이건 "AI가 XX 문제를 정복했다" 같은 쾌감용 기사가 아니다. 상온 자기 반도체(spintronics의 핵심 소재)는 응집물리학에서 수십 년째 막혀 있다. 알려진 소재는 큐리 온도가 상온보다 훨씬 낮거나, 자성이 너무 약해 실용이 안 된다. 배경 지식이다, 지어낸 말이 아니다 — spintronics 교과서 아무거나 펼쳐도 이 역사가 나온다.
(2) "후보"와 "합성"은 다르다
DFT에서 안정이라고 나온다고 실험실에서 만들 수 있는 건 아니다.
실제 소재화까지는 최소 10단계가 더 남아 있다: 합성 → 특성 분석 → 자성 측정 → 전기 측정 → 소자 집적 → 양산성 평가. AI가 제공한 건 "지도 위의 경로"지, "이미 목적지에 도착한 상태"가 아니다.
(3) Vals AI는 학술 기관이 아니다
AI 벤치마크를 하는 팀이지, MIT도 Stanford도 아니다. 이들이 한 일 — 기존 LLM + 기존 툴체인 활용 — 은 이론상 Python 환경과 DFT 소프트웨어 라이선스만 있으면 어디서든 재현 가능하다.
방법론의 복제 문턱이 AlphaFold보다 훨씬 낮다. 이 지점이 "신규 소재 발견" 자체보다 업계에 더 큰 충격을 줄 수 있다.
이전 AI 연구 뉴스와 무엇이 다른가
| 프로젝트 | 모델 유형 | 컴퓨트 | 복제 난이도 |
|---|---|---|---|
| AlphaFold 2 | 전용(Evoformer) | 수천 TPU일 | 극히 높음 |
| GNoME | 전용 GNN + 능동학습 | 수백만 GPU시간 | 극히 높음 |
| Vals AI | 범용 LLM 에이전트 | 단일 머신 + DFT 소프트웨어 | 낮음 |
핵심 차이는 전용 vs 범용이다.
AlphaFold는 수 년 + 수천 명 팀 + 단백질 접힘 전용 아키텍처 설계의 결과물이다. Vals AI는 Anthropic가 이미 학습시켜 둔 모델에 프롬프트를 쓰고 기존 툴을 연결한 것일 뿐이다.
진입 문턱과 비용이 차원이 다르다.
편집자 소견
이 사건의 진짜 시그널은 "AI가 또 한 일 했다"가 아니라 에이전트 패러다임이 경량 과학에서 처음으로 정량적 결과물을 전달했다는 점이다.
과거 AI for Science 성공 사례는 모두 "전용 모델 + 대규모 컴퓨트"에 의존했고, 매번 일회성 공학적 기적이었다. 이번은 다르다. 범용 LLM 에이전트 + 기존 툴체인만으로 검증 가능한 과학 결과물을 뽑아냈다. 이는 연구分工의 재편을 의미할 수 있다: 범용 에이전트는 "지뢰 찾기"를 담당하고, 인간 과학자는 "지뢰 해체"에 집중한다.
다만 경계해야 할 점이 몇 가지 있다.
- "후보"가 과대평가될 위험. 매체는 "DFT 검증"을 "AI가 신규 소재 발견"으로 포장하기 쉽다. 둘 사이는 천지차이다. 합성, 특성 분석, 소자화 — 이게 진짜 전쟁터고, AI는 지금 거기서 도움이 안 된다.
- 재현성은 아직 검증되지 않았다. Vals AI는 결과만 공개했고, 전체 프롬프트와 툴체인은 공개하지 않았다. 다른 팀이 같은 방식으로 비슷한 결과를 못 내면, 이번 건은 "생존자 편향"일 수 있다.
- 물리적 직관의 경계. 범용 LLM이 정말로 spintronics의 깊은 물리를 이해하는가, 아니면 "연구하는 것처럼 보이는" 것인가. 이번 결과는 전자 쪽에 가깝지만, 샘플 수가 너무 적어 단정하기 이르다.
내 판단: 이 사건의 진짜 가치는 "범용 에이전트가 경량 과학 클로즈드 루프를 돌릴 수 있음을 증명한 것"이지, "상온 자기 반도체를 찾은 것"이 아니다. 전자는 방법론의 문을 열었고, 후자는 그 방법론의 첫 번째 검증 사례일 뿐이다.
앞으로 6~12개월간 주목할 지표: 물리·화학·생물 영역에서 다른 팀이 비슷한 방식으로 성공 사례를 재현하는가. 다수 등장하면 패러다임 전환이고, Vals AI 한 곳뿐이면 마케팅일 수 있다.
참고:
- Vals AI 원문: https://www.vals.ai/blogs/room-temperature-magnetic-semiconductors
- HN 토론: 172점, 댓글 128개(2025년 8월)