스스로 실험실을 짓는 SBL이 장비 구성과 로봇 기술을 자동 확장한다

무엇인가

이 논문은 자율 실험실(SDL)의 자율성이 개발 당시 구축된 장비와 운영 능력에 묶여 있다는 문제를 다룬다. 새로운 연구 질문이 예상하지 못한 실험 절차나 장비를 요구하면 전문가가 하드웨어를 통합하고 새 절차용 소프트웨어를 개발해야 하며, 이런 수정은 오래 걸리고 암묵지에 의존한다. 장비 배치나 실험실 레이아웃이 바뀌면 기존 워크플로의 신뢰성도 흔들린다. 모듈형 플랫폼과 장비를 재구성하는 로봇은 기존 하드웨어와 소프트웨어로 워크플로를 바꿀 수 있지만, 이미 있는 능력 밖의 일은 여전히 사람이 개발해야 한다. SBL은 이 능력 개발 자체를 자율 과학 과정에 넣는다. 연구자는 과학 목표를 정의하고, SBL은 목표와 현재 능력의 격차를 스스로 식별해 필요한 인터페이스, 스킬, 워크플로를 개발하거나 확장한다. 시작점은 빈 방일 수도 있고 작동 중인 SDL일 수도 있으며, SBL은 목표에 필요한 실험실 레이아웃, 디지털 트윈, 로봇 스킬, 실험 워크플로를 채운다.

어떻게 동작하나

디지털 트윈 구축은 사진, 장비 모델 번호, 장비 API 엔드포인트를 입력으로 받는다. 트윈 에이전트는 사진과 모델 번호에서 장비를 식별하고, 먼저 기존 CAD 모델과 URDF 파일을 찾는다. 없으면 제조사 문서, 기술 사양, 참조 이미지를 이용해 대략적인 3D 모델을 재구성한다. 장비 치수를 추정하고 프레임, 하우징, 문, 이동 기구 같은 구성 요소로 나눈 뒤 기본 기하 도형과 사용자 메시로 모델을 만든다. 렌더링 뷰와 참조 이미지를 비교하며 형상, 비율, 상대 위치를 반복 보정하고, 움직이는 부품에는 관절, 운동 축, 한계를 정의해 시뮬레이션 가능한 장비 모델로 만든다. 이후 관찰된 실험실 배치를 바탕으로 장비 모델을 초기 장면에 조립하고, 손목 장착 카메라로 촬영할 카메라 자세를 계획해 색상과 깊이 관측을 얻는다. 관측 뷰와 렌더링 뷰를 비교해 장비 위치와 방향을 반복 수정하며 로봇-장비 간 자세를 맞춘다. 시뮬레이션 장비는 실제 장비와 같은 API 인터페이스를 쓰되 엔드포인트만 다르게 구현된다. 대상 엔드포인트를 선택하면 트윈에서 실행할지 실제 실험실에서 실행할지 결정된다. 모니터링 시스템이 실제 장비 상태를 API로 폴링해 트윈 상태를 갱신하고, 로봇 운동은 트윈에서 계획해 실제 실행 엔드포인트로 궤적을 보낸다. 트윈은 새 관측이 들어올 때마다 갱신되는 살아 있는 복제본으로 유지된다.

무엇과 다른가

실험실 스킬은 장비 실행 인터페이스, 구현된 조작, 과학 절차와 해석의 세 층으로 설명된다. 과학적 요구가 구현 조작 수요를 만들고, 구현 조작은 장비 인터페이스가 노출하는 능력에 의존한다. 에이전트는 요구가 생길 때마다 빠진 스킬과 인터페이스를 개발한다. 시뮬레이션에서는 필요한 실험 작업을 사용 가능한 장비에 매핑하고 객체 상태를 이용해 파지와 배치 자세를 자동 정의하며, cuRobo 운동 계획기로 혼잡한 실험실 공간의 충돌 없는 궤적을 생성해 실험 워크플로로 조합한다. 시뮬레이션에서 실제로의 직접 전이는 캘리브레이션과 모델링 오차에 제한된다. 운반과 거친 위치 정렬은 자주 바로 배포할 수 있지만, 밀리미터 수준 정밀도가 필요한 파지와 삽입은 오차에 민감해 실제 로봇에서 온라인 탐색이 필요하다. 이때 에이전트는 시각, 깊이, 로봇 상태, 힘/토크 피드백을 이용해 행동을 선택하고 감각 반응을 살펴 성공 전략을 찾는다. 제한된 고정구에 배치하는 경우에는 시각 정렬, 보호 하강, 접촉 감지, 측면 조정, 측정 하중이 줄어든 뒤 삽입 재개 같은 절차가 쓰일 수 있다. 성공한 행동 순서와 피드백은 재사용 가능한 스킬로 증류된다. 반복 가능한 절차가 확립되면 결정적 행동, 센서 기반 조건, 복구 분기를 담은 Python 스크립트로 인코딩하고 반복 물리 실행으로 시험한다. 이 스킬은 정상 운전 중에는 에이전트 개입 없이 실행되고, 실행이 인코딩된 조건을 벗어날 때만 에이전트 추론이 다시 시작된다. 안전 측면에서는 시뮬레이션에서 위험 시나리오를 제안·평가해 후보 안전 지침을 만들고, 실제 실행에서는 사람이 전체 워크플로를 언제든 멈출 수 있는 별도 제어 인터페이스, 로봇 궤적 속도 제한, 온보드 힘 센서의 예상 밖 접촉 감지와 보호 정지를 둔다. 저자들은 안전 가드레일이 모델의 거부에 의존해서는 안 된다고 강조하며, 실제 로봇 테스트에서 GPT-6-Astra와 다른 모델들이 위험한 지시를 따르는 사례가 있었다고 밝힌다.

어떻게 쓰나

양자점 합성 실험은 Opentrons 액체 처리, 플레이트 밀봉, 광물리 측정을 결합한다. 실험 플랫폼은 모터 구동 선형 레일 위의 5자유도 xArm5 로봇 팔, 평행 그리퍼 BIO GRIPPER G2, 미세플레이트 처리용 6축 힘/토크 센서 UFACTORY로 구성됐다. 액체 분주는 왼쪽 8채널 P300 Gen2와 오른쪽 단일 채널 P1000 Gen2를 갖춘 Opentrons OT-2가 맡고, Agilent PlateLoc 열 밀봉기와 BioTek Cytation5 멀티모드 리더를 사용했다. 19mm 높이 96웰 평평한 바닥 플레이트와 45mm 높이 깊은 96웰 U자형 바닥 플레이트를 썼고, Intel RealSense D435i와 D405 RGB-D 카메라로 실험실 관측과 근거리 조작 인터페이스 뷰를 얻었다. 소프트웨어는 openai-gpt6-astra, NVIDIA Isaac Sim 6.1의 USD 기반 디지털 트윈, cuRobo 운동 계획을 사용했고, 장비는 인증된 HTTP 서비스와 읽기 전용 GET /status, OpenAPI 스키마, 사용 가능한 함수와 유효 입력 범위 문서를 제공했다. SBL은 읽기 전용 API 호출로 OT-2 데크 레이아웃, 피펫, 팁 재고, 밀봉기와 리더 능력을 확인한 뒤 요청된 화학을 제약에 맞게 조정했다. 별도 Opentrons Python 프로토콜을 오프라인으로 작성·검증하고 로봇 소프트웨어 버전과 맞는 Opentrons 시뮬레이터에서 실행한 뒤, 검토된 파일의 SHA-256 해시를 기록해 고정했다. 프로토콜은 설정, 유량, 팁, 액체 명령을 포함한 236개 명령으로 구성됐고 모든 명령에 타임스탬프 이벤트 마커가 붙었다. 게이트웨이의 실시간 OpenAPI 스키마로 검증했고, 게이트웨이는 프로토콜 해시 변경을 거부하도록 설정됐다. 실행 전 프로토콜을 다시 읽고 장비가 준비되고 유휴 상태인지 요구했으며, 각 요청 전 기록하고 이후 동작이 진행 중이 아님을 확인하며 순차 전송했다. 플레이트 이동은 디지털 트윈으로 운동을 계획하고 시각·감각 피드백으로 파지와 배치를 안내했다. 로봇 팔은 OT-2에서 PlateLoc로 플레이트를 옮겨 밀봉했고, Cytation5 삽입을 위해 중간 플레이트 홀더를 전환 스테이션으로 사용해 짧은 면을 따라 다시 파지한 뒤 리더의 플레이트 슬롯에 넣고 Cytation5에 등록해 광학 판독을 진행했다. 화학은 수용성 말단 캡핑 CdS 양자점 합성으로, Cd(NO3)2와 티오우레아를 카드뮴과 황화물 전구체로, MPA를 안정화 리간드로 사용했다. 96웰 미세플레이트에서 60도로 배양하며 흡광도와 광발광을 측정했고, 고정 Cd 농도에서 Cd:MPA 몰비 1:0–1:2, Cd:티오우레아 몰비 1:1–1:2, 초기 완충액 pH 8.5–10.0을 동시에 스크리닝했다. 흡광도는 350, 400, 450nm에서, 발광 스펙트라는 450–680nm 범위에서 10nm 간격, 360nm 여기 파장으로 측정했다. 모든 시약 첨가 후 실온에서 용액은 투명하고 무색이었고 플레이트 전반의 광학 특성이 균일했으며 450–680nm에서 거의 발광이 없었다. 8시간 반응 모니터링에서 비정질 침전물의 유의미한 형성은 없었고, G7–H9 웰 영역에서 발광이 점점 강해졌다. 예를 들어 H8 웰에서는 500nm 이상 발광 세기가 증가하고 발광 피크가 520nm에서 560nm로 이동해 MPA 캡핑 CdS 양자점의 점진적 성장을 보였다. 결과는 최적 리간드 로딩 0.75–1.5 eq와 높은 pH에서의 우선적 양자점 형성을 보여주었고, 이는 티오우레아 가수분해를 통한 황화물 방출이 더 유리해진 데 기인한다. 리간드는 핵 생성 후 용해성 양자점을 안정화하는 데 필요하지만 과량은 양자점 성장을 억제한다는 설명과 일치한다. 원문에는 베이스라인 대비 성공률이나 개선폭 같은 정량 비교표는 제시되지 않았다.

전제와 한계

확장성 실험도 제시된다. 고체 처리 워크스테이션에서는 6개 바이알에 고체를 분주하고 바이알 랙을 작업대 반대편으로 옮기는 과제를 수행했다. SBL은 실제 실험실 이미지에서 고체 분주의 입자 기반 시뮬레이션을 포함한 디지털 트윈을 재구성했고, 사용자가 바이알과 랙 설계를 지정하지 않았기 때문에 안전한 바이알 배치와 로봇 파지 가능성을 보장하는 CAD 모델을 자동 생성했다. 중앙 선반이 작은 UR3 로봇의 작업대 횡단 직접 운반을 막자, SBL은 UR3와 UR5 사이의 충돌 없는 핸드오프를 자율 계획해 두 로봇의 독립 조작으로 과제를 완수했다. 다중 셋업에서는 UR 기반 고체 처리 워크스테이션과 xArm 기반 액체 처리 워크스테이션을 통합해 완충액 준비 워크플로를 수행했다. 높은 수준의 실험 목표만 주어졌을 때 SBL은 여러 로봇 플랫폼과 실험실 장비를 조정하는 워크플로를 자율 생성했다. UR 워크스테이션에서 고체 분주를 수행한 뒤, 휠 이동형 모바일 매니퓰레이터가 바이알 랙을 워크스테이션 사이로 운반하도록 계획·생성했고, xArm 워크스테이션에서는 랙을 Opentrons 액체 처리기로 넣어 시약을 분주한 뒤 흔들기 장치로 옮겨 혼합했다. 추가 로봇과 워크스테이션 간 조정은 시뮬레이션에서 검토됐고, 양자점 워크플로는 실제 실험실에서 검증됐다.

개발자 관점에서 이 논문은 실험실을 API로 관찰 가능한 환경으로 다루고, 디지털 트윈에서 운동과 위험을 먼저 계획한 뒤 실제 엔드포인트로 실행하는 패턴을 보여준다. 에이전트의 느린 추론 루프를 매번 돌리는 대신 성공한 탐색을 결정적 행동, 센서 조건, 복구 분기를 가진 재사용 스킬로 증류하고, 조건을 벗어날 때만 에이전트를 다시 호출하는 설계가 핵심이다. 프로토콜 해시 고정, OpenAPI 스키마 검증, 실행 전 장비 유휴 확인, 요청 전후 상태 기록 같은 장치는 에이전트가 생성한 제어 코드를 실제 장비에 적용할 때 필요한 검증 지점을 보여준다. 안전 가드레일은 LLM의 거부에 맡기지 않고 별도 정지 인터페이스, 속도 제한, 힘 센서 기반 보호 정지로 강제해야 한다. 또한 장비 API가 실패를 드러내지 않으면 에이전트가 성공과 실패를 구분할 수 없고, 카메라와 캘리브레이션으로 부족한 접촉 조건은 힘/토크 센싱이 있어야 다뤄진다는 점을 시스템 설계 전제로 확인해야 한다.

저자들이 밝힌 한계는 분명하다. 에이전트가 만들 수 있는 것은 실험실 인프라가 관찰하고 검증할 수 있게 해주는 범위에 달려 있다. 일부 장비 고장은 API 오류를 내지 않아 에이전트가 성공과 실패를 구분하지 못했고, 정밀 삽입은 카메라와 장면 캘리브레이션이 포착하지 못한 접촉 조건을 힘/토크 센싱이 드러낸 뒤에야 가능해졌다. 여러 정보원을 해석하고 가중하는 일에는 여전히 인간 전문성이 필요했다. 디지털 트윈 기반 안전 검사는 트윈에 표현된 기하, 장비 상태, 물리 상호작용의 유효성에 의존하며, 충돌 검사는 모델링된 기하만 다룬다. 화학적 위험과 불확실한 접촉 조건, 특히 이 워크플로의 밀리미터 수준 파지와 배치는 실제 실행 중 추가 검사가 필요하다. 장기 작업에서 새로운 운전 조건이 생기면 인간 개입이 계속 필요하고, 에이전트가 문서를 검색하고 정보를 조정하고 코드를 실행하는 속도는 연속적인 인간 검사를 비현실적으로 만든다. 개발 중에는 설명이 필요한 가정에 기반한 행동, 과도하게 조심스러워 작업 진행을 막는 운동 결정, 에이전트 간 불일치로 인한 반복 교환이 인간 개입을 요구했다. 따라서 시스템은 결정과 관련된 가정, 상충하는 증거, 운영상 결과를 드러내야 하며, 연구자는 과학 목표와 인터페이스가 관찰할 수 없는 물리적 사실에 대한 책임을 유지한다. 장비나 레이아웃이 바뀐 뒤 스킬을 재사용하려면 조건을 확인하고 적응된 절차를 검증해야 한다. 다음 단계는 연속 사이클이 과제 성능을 개선하고 새 과제에 필요한 엔지니어링 노력과 인간 개입을 줄이는지, 검증된 능력을 유지하면서 측정하는 일이다.