Lithography Solvent Discovery using Neuro-Symbolic Search Agent

Motivation

• Known: Hansen solubility parameters(HSP) 기반 물리화학적 proxy는 solvent-resist affinity를 예측하는 데 널리 쓰이며, Bayesian optimization, genetic algorithm, MCTS 등 다양한 탐색 기법과 LLM agent(CHEMCROW, COSCIENTIST, CHEMLLM 등)가 화학 설계 및 과학적 발견에 활용되어 왔다.
• Gap: 기존 방법들은 discrete formulation topology와 continuous mixing ratio가 결합된 mixed discrete-continuous 문제, 그리고 proxy score가 실제 실험 성능을 완전히 반영하지 못하는 evaluator uncertainty 상황을 동시에 다루지 못하며, proxy score를 공격적으로 최적화할 경우 화학적으로 타당하지 않은 후보에 collapse될 위험이 있다.
• Why: Wet-lab validation이 고비용이고 discrete search space가 조합적으로 방대한 상황에서, 불완전한 evaluator에 과도하게 의존하지 않고 실험적으로 유망한 다양한 후보를 발굴하는 능력은 실제 반도체 공정용 solvent/developer formulation 개발과 같은 고차원 재료 발견 문제에 직접적인 실용적 가치를 지닌다.
• Approach: LLM을 discrete solvent topology에 대한 chemistry-informed hypothesis generator로, differentiable physics-informed 모듈을 continuous mixing ratio 정제 및 feasibility 강제 수단으로 사용하며, sibling-aware local diversification과 memory-driven global planning을 결합해 evaluator-preferred pattern으로의 조기 수렴을 방지한다.

Achievement

Figure 3. Lithography validation images. Top: quantitative CD-SEM measurements for #01 and #02. Bottom: qualitative deve

1. 제약 완전 준수: LithographyAgent는 프레임워크에서 채택한 명시적 physicochemical 제약(비등점 계층, 인화점 안전성 등)을 100% 준수하는 후보만을 생성한다.
2. 탐색 다양성 향상: naive MCTS 대비 exploration entropy를 3.53에서 4.37로 향상시켰으며, 동일 budget 하에서 baseline 탐색 궤적에 없는 formulation을 발굴했다.
3. Proxy 최적화의 함정 규명: 동일 physics optimizer 하 external baseline(surrogate-guided acquisition 등) 비교에서, proxy score가 가장 높은 후보가 EHS pass rate 0%를 기록함을 보여, score-centric 탐색의 위험성을 실증했다.
4. Scoring/calibration 진단: LLM 기반 정성 평가가 physics proxy의 단순 재진술이 아니며, continuous optimizer 출력이 실험 적용 전 ratio calibration이 필요함을 보였다.
5. 실제 리소그래피 검증: 대표 후보에 대한 CD-SEM 정량 측정 및 실패 사례에 대한 정성적 분석을 통해, proxy 상위권이 아닌 후보도 우수한 패턴 정의를 보일 수 있음을 확인했다.

How

Figure 1. Overview of LithographyAgent. The framework integrates LLM-based proposal generation, MCTS-based discrete sear

• 문제를 (M, ϕ) 형태의 mixed discrete-continuous formulation으로 정식화: M은 2~5개 solvent로 구성된 선택 집합, ϕ는 volume fraction 제약(합이 1, 양수)을 만족.
• Hansen solubility parameter(δ=(δd,δp,δh))를 이용한 linear mixing rule로 mixture의 유효 HSP를 계산하고, target 대비 HSP distance Ra를 physicochemical proxy로 사용.
• LLM을 활용해 discrete solvent topology(구성 성분 조합)를 chemistry-informed하게 생성.
• Differentiable physics-informed 모듈로 continuous mixing ratio를 정제하며 boiling-point hierarchy, flash-point safety 등 explicit feasibility constraint를 강제.
• Sibling-aware local diversification(형제 후보 간 다양화)과 memory-driven global planning(과거 탐색 이력 기반 전역 계획)을 결합하여 evaluator-preferred pattern으로의 premature collapse를 완화.
• 동일 physics ratio optimizer를 공유하는 random feasible search, genetic search, MAP-Elites, surrogate-guided acquisition, enumerative sampling 등 external baseline과 비교.

Originality

• Lithography solvent 설계를 단순 scalar proxy 최적화가 아니라 "imperfect evaluator 하의 discovery" 문제로 재정의한 문제 설정 자체가 독창적이다.
• LLM 기반 discrete topology 생성과 differentiable physics-informed continuous ratio 정제를 결합한 neuro-symbolic 구조로 mixed discrete-continuous formulation 문제를 다룬 점.
• Diversity를 post-hoc 정규화가 아니라 탐색 과정의 구조적 속성(sibling-aware local diversification + memory-driven global planning)으로 내재화한 설계.
• Proxy 최적화가 chemically implausible한 후보를 선택할 수 있음을 external baseline과 EHS pass rate로 실증적으로 드러낸 진단적 기여.

Limitation & Further Study

• 실험적 검증이 대표적 후보 2개에 대한 CD-SEM 측정과 소수 실패 사례에 대한 정성적 분석에 그쳐, 통계적으로 충분한 규모의 wet-lab validation이 부족하다.
• HSP 기반 physicochemical proxy 자체의 한계(비선형 resist-developer interaction, swelling, transport 등 미반영)는 여전히 남아있어 physics-informed 모듈이 이를 완전히 보완하지 못할 가능성이 있다.
• 후속 연구로는 더 큰 규모의 실험적 검증, 다양한 target polymer/resist 시스템으로의 일반화, 그리고 diversity-aware 탐색과 proxy 정확도 개선을 동시에 다루는 방향이 필요하다.
• LLM hypothesis generator의 chemistry reasoning 신뢰성 및 재현성(다른 LLM, prompt에 대한 민감도)에 대한 분석이 제한적이다.

Evaluation

총평: Imperfect evaluator 하의 mixed discrete-continuous formulation discovery라는 실용적으로 중요한 문제를 neuro-symbolic 접근과 diversity-aware search로 다룬 견실한 연구이며, 실제 lithography 실험을 통한 부분적 검증도 설득력을 더한다. 다만 실험 규모가 작아 일반화 가능성에 대한 추가 검증이 필요하다.