Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis

Essence

Chemist-X의 3단계 반응 조건 최적화(RCO) 프레임워크: LLM 에이전트에 의해 완전 자동 실행됨

본 논문은 대규모 언어 모델(LLM)을 기반으로 한 화학 합성 반응 조건 최적화를 위한 통합 AI 에이전트 Chemist-X를 제시한다. 검색 증강 생성(RAG) 기술, 컴퓨터 보조 설계(CAD) 도구, 자동화 로봇 시스템을 결합하여 인간 화학자의 문제 해결 방식을 모방하며, 완전 자동화 습식 실험실(wet-lab) 실행을 가능하게 한다.

Motivation

Known: 기존 AI 기반 화학 반응 플랫폼은 기계학습과 데이터 기반 방법을 통해 합성 경로 설계 및 반응 조건 최적화를 시도하고 있으나, 이러한 전통적 AI 시스템은 고정된 학습 데이터에 국한되어 미지의 반응에 대한 일반화 능력이 제한적이다.
Gap: 종래 AI 모델은 인간 화학자처럼 새로운 문제 해결 시 관련 문헌을 지속적으로 참고하여 지식을 갱신할 수 없으며, 반응 조건 최적화(RCO) 분야는 역합성(retrosynthesis) 대비 AI 연구 관심이 부족하다.
Why: 자율 화학 로봇이 미지의 제품을 완전 자동으로 합성·정제하려면, 광범위한 화학 지식에 접근하고 이를 동적으로 활용할 수 있는 능력이 필수적이다.
Approach: RAG 기술로 분자 및 문헌 데이터베이스에 접근하고, LLM의 자연언어 이해와 코드 생성 능력을 활용하여 3단계 파이프라인(정보 검색 → 조건 추천 → 자동 검증)을 구현한다.

Achievement

3단계 "검색-추천-검증" 패턴의 통합 프레임워크

Phase One 혁신: 계층적 매칭 전략(hierarchical matching strategy)과 상위 유사도 슬라이스(Top Match Slice, TMS) 개념을 도입하여 LLM이 API 문서 전체가 아닌 의미론적으로 가장 유사한 부분만 처리하도록 함. 이는 코드 신뢰도 향상, 비용 효율성, 응답 시간 단축을 동시에 달성.
Phase Two 알고리즘: 화학 정보 기반 분자 그래프(Chemistry-Informed Molecular Graph, CIMG)와 감독형 대조 학습(Supervised Contrastive Learning, SCL)을 결합한 CL-SCL 지문(fingerprint) 개발. 이 새로운 반응 임베딩 방식은 고수율 반응의 특징을 기존 방법 대비 우수하게 포착.
Phase Three 실행: LLM 기반 일반적 컴퓨터 제어 방법 개발로 사전 정의된 API가 없는 습식 실험실 플랫폼도 제어 가능. iChemFoundry(IC) 플랫폼을 통해 고체 투여량 전처리, 불활성 기체 환경에서의 합성, 사후 처리, 시료 이동, 반응 특성화 등 전 과정을 인간 개입 없이 완전 자동 실행.
실제 검증: Suzuki–Miyaura 커플링 반응을 대상으로 LLM 에이전트가 추천한 반응 조건을 iChemFoundry 플랫폼에서 자동 검증하여 개념 증명 완료.

How

Phase One 단위 테스트 및 자동 코드 생성 프롬프트

Phase One - 정보 검색 및 RAG 구현

LLM을 활용한 Python 코드 자동 생성으로 Chemical Abstracts Service(CAS), PubChem, Amazon EC2 API 기반 데이터베이스 검색
정확한 SMILES 매칭을 통해 목표 화합물 직접 검색
부재 시 유사 분자 탐색으로 반응 조건 검색 (계층적 폴백 전략)
In-context learning(ICL)과 Top Match Slice(TMS) 개념으로 API 문서에서 의미론적으로 가장 관련성 높은 섹션만 추출하여 LLM 프롬프트에 포함

Phase Two - 반응 조건 추천

CIMG: 그래프 신경망(GNN) 기반 분자 설명자로 분자 특성을 고차원 특징 공간에 매핑
CL-SCL 지문: 감독형 대조 학습을 통해 고수율 반응과 저수율 반응 간의 구분력 강화
수치 수율 대신 범주형 수율 라벨(coarse yield labels) 사용으로 잡음 민감도 감소
기존 ML 모델들(예: SVM, 랜덤 포레스트)의 성능을 향상시키기 위한 범용 API 설계

Phase Three - 로봇 시스템 제어

LLM의 추론 및 코드 생성 능력을 활용한 일반적 컴퓨터 제어 프레임워크
주요 구성 요소: 키프레임 검출, 마우스 클릭 감지, 광학 문자 인식(OCR)
pyautogui Python 패키지 기반 마우스 및 키보드 입력 자동화
인간 조작 시연 동영상 학습을 통한 제어 스크립트 생성

LLM 감독 제어 스크립트 생성 및 습식 실험실 장비 제어 상세 기술

Originality

RAG 기반 API 프로그래밍: Top Match Slice(TMS) 개념은 ICL의 토큰 낭비 문제를 해결하는 혁신적 접근. 전체 문서 제공이나 무작위 슬라이스 대비 코드 신뢰도, 비용, 응답 시간에서 모두 우수.
CL-SCL 반응 지문: 화학적 통찰력을 기반으로 설계된 새로운 분자 그래프 표현과 감독형 대조 학습의 결합으로, 기존 반응 인코딩 방식의 한계 극복.
범주형 수율 라벨 도입: 수치 수율의 잡음 민감성을 제거하고 고수율 반응 특징 학습을 강화하는 새로운 접근.
일반적 컴퓨터 제어 알고리즘: 사전 정의된 API가 없는 임의의 소프트웨어 인터페이스를 LLM이 제어할 수 있는 프레임워크 개발로, 자율 실험실 시스템의 확장성 대폭 향상.
완전 LLM 감독 end-to-end 운영: 인간 개입 없이 LLM 에이전트가 세 단계 전 과정을 자동 실행하며, iChemFoundry 플랫폼에서 실제 습식 실험 검증까지 달성한 최초의 통합 시스템.

Limitation & Further Study

데이터베이스 의존성: Phase One의 성능이 CAS 및 PubChem 데이터베이스의 커버리지에 크게 의존. 데이터베이스에 없는 신규 분자의 경우 Phase Two로 즉시 진행되어야 하므로, 더 많은 공개 화학 데이터베이스와의 통합이 필요.
CL-SCL 모델의 일반화: 현재 Suzuki–Miyaura 커플링 반응 중심으로 검증되었으나, 다양한 유형의 유기 반응(알킬화, 에스터화, 헤테로사이클 합성 등)에서의 효과 검증 부족.
Phase Three의 로봇 플랫폼 특이성: iChemFoundry 플랫폼에 특화된 제어 스크립트 생성이지만, 다른 자동 실험실 시스템(예: Chemspeed, Unchained Labs)으로의 전이 가능성 미검증.
LLM 에러 누적: 3단계에서 LLM이 생성한 오류(예: 잘못된 API 호출, 부정확한 화학 추론)가 누적될 수 있으므로, 각 단계에서의 오류 검증 메커니즘 강화 필요.
후속 연구 방향:
- 더 많은 화학 반응 유형으로의 확장 및 대규모 임상 검증
- 반응 조건 추천 정확도 향상을 위한 생성형 언어 모델(예: GPT-4, Gemini) 기반 성능 비교
- Phase Two의 CAD 알고리즘 라이브러리 확대 및 자동 선택 메커니즘 개선
- 로봇 플랫폼 간 제어 스크립트 자동 변환 기술 개발