Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows

Motivation

• Known: MLIP은 ab initio 방법 대비 저렴한 비용으로 유사한 정확도를 제공하는 도구로 자리잡았으며, active learning을 통한 반복적 데이터셋 구축이 일반적인 개발 절차로 알려져 있다. 최근 AMLP, QUASAR, PFD 등 자연어 지시나 사전 정의된 파이프라인을 활용해 MLIP 개발을 자동화하려는 프레임워크들도 제안된 바 있다.
• Gap: 기존 자동화 파이프라인들은 고정된 stage 순서를 가정하거나 active learning의 핵심 결정(시뮬레이션 조건, 필터링 임계값, 초기 구조, 학습 하이퍼파라미터 등)을 여전히 사람 전문가에게 의존하고 있어, 최적의 curriculum이 사전에 알려지지 않은 이질적인(heterogeneous) 재료 시스템에는 적응성이 떨어진다는 한계가 있다.
• Why: 비전문가도 복잡한 재료 시스템(예: solid electrolyte interphase, SEI)에 대한 MLIP을 개발할 수 있도록 진입 장벽을 낮추는 것은 재료과학 시뮬레이션의 접근성과 확장성을 크게 높일 수 있는 중요한 문제이다.
• Approach: Lang2MLIP은 interactive preparation phase와 autonomous training phase의 2단계로 구성된 multi-agent 프레임워크로, 중앙 decision-making agent가 현재 dataset, model, 평가 결과, 실행 로그를 관찰하여 매 단계마다 적절한 action(sampling, training, dataset selection, evaluation, pruning, reference calculation, termination)을 자율적으로 선택하도록 설계되었다.

Achievement

Figure 2. Schematic of the battery SEI system used in this study.

1. 자율적 curriculum 구성: 4개 층(layer), 6개 구성요소(component), 6개 원소로 이루어진 lithium battery SEI 시스템에 대해, 에이전트가 자연어 상호작용만으로 기본 구성요소 → 이진 interface → 전체 multilayer SEI로 이어지는 3단계 curriculum을 스스로 구성함을 보였다.
2. 적응적 재할당(reallocation): 관찰된 모델 실패(failure)에 반응하여 sampling effort를 재분배하고, 이전 subsystem으로 되돌아가 self-correction을 수행하는 능력을 시연했다.
3. 전문가 개입 없는 end-to-end 자동화: 기존 AMLP, QUASAR 등과 달리 human-in-the-loop 없이 autonomous training phase 전체를 LLM 기반 의사결정만으로 수행 가능함을 검증했다.

How

Figure 1. Overview of the Lang2MLIP framework. The robot icon indicates a single agent, while the group-of-people icon i

• Claude Agent SDK와 Claude Opus 4.6을 기반으로 역할별 prompt로 정의된 다수의 agent를 구성
• Interactive preparation phase: Task Description Agent(시스템·목표·파라미터 파악), Initial Structure Generation Agents(초기 구조 생성 및 sub-agent 활용), MD Script Agent(참조 MD 워크플로우 준비, 선택적)
• Autonomous training phase: 중앙 decision-making agent가 매 iteration마다 현재 state(dataset, model, evaluation, execution log)를 관찰하고 sampling, training, dataset selection, evaluation, pruning, reference calculation, termination 중 하나의 action을 선택
• termination이 선택되지 않으면 action-specific agent와 상호작용하여 해당 연산을 실행하고, 이를 모델 기준 충족 시까지 반복
• solid electrolyte interphase(SEI) 시스템(4개 층, 6개 구성요소, 6개 원소)에 대해 실제 적용 실험 수행, RDF(radial distribution function), 밀도 변화, MSD(mean squared displacement) 등으로 결과 검증

Originality

• MLIP 개발 전체를 고정된 pipeline이 아닌 LLM 기반 sequential decision-making 문제로 재정식화한 최초의 시도
• 기존 연구(AMLP, QUASAR, PFD)가 사전 정의된 stage 순서에 LLM을 결합하거나 human-in-the-loop을 유지하는 것과 달리, decision-making agent가 action 선택과 curriculum 구성을 전적으로 자율적으로 수행하도록 설계
• self-correction(이전 subsystem으로 되돌아가는 재방문 메커니즘)을 통해 새로운 실패에 적응하는 구조를 도입

Limitation & Further Study

• 평가가 단일 SEI 시스템 사례 연구에 국한되어 있어, 다양한 재료 시스템에 대한 일반화 가능성이 아직 충분히 검증되지 않음
• LLM 기반 의사결정의 재현성, 실패 시 복구 실패 가능성, 그리고 대규모 계산 자원(반복적 training/evaluation) 소모에 대한 정량적 분석이 부족해 보임
• 상용 폐쇄형 모델(Claude Opus 4.6)에 의존하고 있어 비용, 접근성, 재현성 측면의 한계가 있으며, 다른 LLM 백본에 대한 ablation이 필요
• 향후 연구로는 다수의 이질적 재료 시스템에 대한 벤치마크 확장, 오픈소스 LLM과의 비교, 그리고 의사결정 과정의 해석 가능성 향상이 요구됨

Evaluation

총평: MLIP 개발 워크플로우를 LLM 기반 자율 의사결정 문제로 재구성한 참신하고 시의적절한 시도이며, 단일 SEI 사례를 통해 실현 가능성을 보였으나 다양한 시스템에 대한 일반화와 정량적 검증이 추가로 필요하다.