자율실험 플랫폼의 차이는 어느 기관이 더 앞섰느냐가 아니라 무엇을 움직이고 무엇을 측정하느냐에서 생긴다. 분말을 계량해 소성하는 A-Lab의 병목과 액체 배합을 산란 장비에 넣는 NIST AFL의 병목은 같지 않다. 한 플랫폼의 성공률이나 처리량을 다른 화학으로 가져오면 잘못된 구매 판단이 된다.
더 중요한 의존성은 로봇 브랜드가 아니라 시료·장비·데이터 인터페이스다. 특수 용기와 분석 소프트웨어에 묶이면 모듈을 늘릴 때 통합비가 커지고, 표준 시료 ID와 명확한 완료 신호가 있으면 로봇을 바꿔도 실험 계보를 지킬 수 있다. 아래 비교는 2026년 8월 26일 공개된 공식·원 논문 범위만 다룬다.
네 플랫폼이 해결하는 일은 처음부터 다르다
A-Lab 원 논문은 무기 분말의 고상 합성, 열처리와 분말 X선 회절을 하나의 폐루프로 묶는다. 로봇이 전구체를 준비하고 소성한 뒤 회절 패턴을 해석해 다음 합성 조건을 정한다. 논문 페이지의 사후 수정 내용을 포함해 17일, 57개 표적 중 36개 확인이라는 범위를 그대로 읽어야 한다.
Argonne Polybot 공식 페이지는 용액 처리·고분자 합성, 박막 코팅과 여러 특성평가 모듈을 로봇과 소프트웨어로 연결한 플랫폼을 설명한다. 고정된 한 반응기보다 모듈 사이 샘플 이동과 다양한 분석 장비의 결합이 중심이다.
NIST Autonomous Formulation Lab은 피펫으로 복합 유체를 배합해 SANS·SAXS 등 산란 측정을 하고 AI 가이드 서버가 다음 조성을 고르는 구조다. AlphaFlow 원 논문은 미세유체 모듈과 강화학습으로 다단계 반응 순서·조건을 탐색한다. 네 시스템의 ‘샘플 한 번’은 물리적으로 다른 작업이다.
하드웨어 목록보다 시료의 상태 변화를 그린다
A-Lab에서는 분말 투입, 혼합, 도가니, 고온 열처리, 분말 회수와 XRD 로딩이 연속된다. 시료가 고체이며 열 이력이 길고 용기 오염과 불완전 반응이 중요하다. 한 번의 실험 시간이 길어 실패를 조기에 판정하고 다음 조건을 선택하는 가치가 크다.
AFL은 액체 조성의 정밀 배합과 흐름 셀, 산란 장비의 빔타임이 핵심이다. 조성 좌표와 산란 데이터의 상·구조 라벨을 연결하고 불확실성이 큰 경계를 더 측정한다. Polybot은 액체·분말 취급, 코팅·어닐링·광학·전기·기계 평가처럼 더 넓은 모듈을 조합할 수 있지만 모듈 간 운반과 파일 형식을 통합해야 한다.
AlphaFlow는 미세유체로 반응을 작게 만들고 순서가 있는 다단계 행동을 다룬다. 원 논문은 CdSe/CdS 코어–셸 나노입자 합성에서 최대 40개 매개변수의 문제를 사례로 제시한다. 이는 모든 배치 화학이나 고체 공정을 대체한다는 뜻이 아니라, 연속 유체·온라인 스펙트럼·작은 시약량이라는 조건에서 강점이 있다는 뜻이다.
연구 질문이 플랫폼의 고객을 결정한다
새 무기 결정상을 실제로 합성해 XRD로 판정하려면 A-Lab형 고상 워크플로가 가깝다. 조성에 따른 소프트 물질의 상 경계나 구조를 산란으로 지도화하려면 AFL형이 맞다. 기능성 고분자의 합성–코팅–특성평가를 여러 장비에 걸쳐 바꾸려면 Polybot형 모듈 구성이 유리하다. 반응 순서 자체가 탐색 대상이고 미세유체화가 가능하면 AlphaFlow형을 검토할 수 있다.
이 구분을 건너뛰고 ‘가장 자율적인 플랫폼’을 고르면 시료 물성에서 막힌다. 끈적한 슬러리, 침전, 큰 입자나 기포는 유체 모듈을 막을 수 있고, 휘발성·유해 시약은 밀폐와 배기 요구를 바꾼다. 고온 고상 합성은 빠른 온라인 판독이 어렵고, 빔라인 측정은 시설 예약과 안전 승인에 묶인다.
프로젝트 문서에는 후보 수나 처리량보다 먼저 최소·최대 시료량, 점도·입도·온도·압력, 용기, 세정, 교차오염, 분석 대기시간과 폐기 규칙을 적는다. 이 물리 계약이 없으면 알고리즘 비교도 의미가 없다. 피지컬 AI의 뜻과 범위에서 말하는 감지–판단–행동의 폐루프 역시 대상 물질의 현실 제약 안에서 닫혀야 한다.
같은 표로 맞추면 우열보다 경계가 보인다
| 플랫폼 | 주 시료·합성 | 주요 측정·의사결정 | 선택에 유리한 조건 | 주의할 의존성 |
|---|---|---|---|---|
| A-Lab | 무기 분말·고상 반응·고온 소성 | 분말 XRD 해석, 문헌·계산·활성학습 | 새 결정상 합성 및 실패 레시피 개선 | 전구체·도가니·로·XRD 판정과 긴 실험시간 |
| Polybot | 용액·분말, 고분자 합성·박막 처리 | 광학·전기·기계·전기화학 모듈과 활성학습 | 여러 처리·평가 모듈을 바꾸는 재료 워크플로 | 장비별 API, 이동 로봇, 샘플 전달과 데이터 형식 |
| NIST AFL | 복합 유체의 정밀 배합·흐름 셀 | SANS·SAXS 등 산란, 상 경계·물성 최적화 | 소프트 물질 조성 지도와 고가 측정의 정보 효율 | 빔타임, 흐름 셀 호환, 라벨·산란 모델 |
| AlphaFlow | 미세유체 다단계 반응 | 온라인 스펙트럼, 강화학습의 순서·조건 선택 | 작은 시약량으로 순차 반응 공간 탐색 | 미세유체화 가능성, 막힘·체류시간·스케일업 |
표의 ‘자율성’도 동일하지 않다. A-Lab은 표적을 사람이 정한 뒤 합성·해석·다음 조건을 폐루프로 수행했고, AFL은 사용자가 정한 조성 영역에서 정보가 큰 측정을 선택한다. AlphaFlow는 순차 행동의 장기 보상을 학습하며, Polybot은 응용별 워크플로와 활성학습 모듈을 추가한다. 사람의 목표·제약 설정은 네 경우 모두 사라지지 않는다.
공급망은 샘플 핸드오프와 분석기에 숨어 있다
로봇팔이 같아도 용기 규격, 그리퍼, 장비 문 열기와 완료 신호가 다르면 통합 코드는 다시 작성된다. 분석 장비가 원시 데이터를 내보내지 않거나 독점 형식만 제공하면 AI가 판정 근거를 재현하기 어렵다. 구매 전에는 명령 API, 상태·오류 코드, 원시 파일, 시간 동기화와 소프트웨어 라이선스를 확인한다.
시료 핸드오프는 더 엄격하다. 어느 로봇이 어느 용기를 잡았는지뿐 아니라 질량·조성·열 이력과 분할·합병 관계가 유지돼야 한다. 모듈이 실패했을 때 직전 안전 상태로 돌아갈 수 있는지, 사람의 수동 조치가 원래 실험 ID에 기록되는지를 본다. 이동 로봇을 추가하면 위치와 충전, 문·엘리베이터 같은 시설 자원도 실험 일정의 일부가 된다.
로봇 파운데이션 모델을 붙여 범용 조작을 시도해도 기기 인터록과 계량 판정은 별도 검증해야 한다. 자연어로 장비를 부르는 능력은 정확한 시료·레시피·권한 계약을 대체하지 않는다. 공급사가 제공하는 데모보다 낯선 시료, 빈 용기, 막힘과 네트워크 단절에서의 상태 복구를 시험한다.
공개 실험 규모는 플랫폼 전체의 상용성을 뜻하지 않는다
A-Lab 논문은 17일 동안 353회 실험과 57개 표적 중 36개 확인을 보고한다. 사후 수동 재검토와 수정이 반영된 숫자이며, 36개 모두 고순도였다는 뜻은 아니다. 특정 전구체·고상 합성 워크플로에서의 연구 결과이지 임의 재료를 같은 성공률로 만든다는 보증도 아니다.
| 공개 확장 증거 | 직접 보여 주는 것 | 보여 주지 않는 것 | 추가로 요구할 기록 |
|---|---|---|---|
| A-Lab 연속 캠페인 | 정해진 무기 표적군의 폐루프 합성·판정 | 모든 조성·고순도·생산 스케일 | 원시 XRD, 실패·수동개입, 소모품·정비 기록 |
| Polybot 다중 모듈 | 합성·처리·여러 평가 장비의 연결 가능성 | 모든 모듈 조합의 무인 가동률 | 핸드오프 성공률, 장비별 오류·복구시간 |
| AFL 국제 시설 사용 | 여러 산란 시설과 모듈형 공개 플랫폼 | 항상 가능한 빔타임·모든 제형 호환 | 예약·교정·세정·조성별 재현성 |
| AlphaFlow 사례 | 미세유체 다단계 나노입자 반응의 RL 탐색 | 배치·고체·대량생산으로의 자동 전이 | 막힘, 물질수지, 반복 런과 스케일업 상관 |
처리량을 비교할 때는 실험 정의와 분석 대기시간을 맞춘다. 시료 한 개의 준비·반응·세정·분석·판정을 모두 포함하고, 사람이 재충전하거나 장비를 복구한 시간도 분모에 넣는다. 논문 속 성과는 유용한 설계 증거지만 유지보수 계약이나 생산 시스템의 가용성 증거는 아니다.
선택은 데모가 아니라 실패 샘플로 끝낸다
최종 후보 둘을 남긴 뒤 각 플랫폼이 싫어하는 시료를 넣은 파일럿을 설계한다. 점도가 높은 액체, 응집 분말, 경계에 가까운 회절 패턴, 순서가 긴 반응처럼 실패가 날 조건을 미리 정한다. 목표는 성공 장면을 만드는 것이 아니라 실패를 감지하고 시료 계보를 보존한 채 안전하게 멈추는지 확인하는 것이다.
- 연구 질문을 새 물질 합성, 상 지도, 공정 최적화, 순차 반응 탐색 가운데 하나로 좁힌다.
- 시료 상태·최소량·용기·온도·압력·점도·입도와 폐기 규칙을 문서화한다.
- 분석 장비의 원시 데이터, 판정 불확실성과 재교정 경로를 확인한다.
- 명령 API보다 상태·오류·취소·재개·완료 신호와 실험 ID 왕복을 시험한다.
- 사람의 재충전·정비·실패복구 시간을 포함해 실제 처리량과 가동률을 다시 계산한다.
- 낯선 시료와 고의 오류에서 샘플 계보·인터록·롤백이 유지될 때만 모듈을 늘린다.
‘가장 좋은 플랫폼’은 없다. 고상 분말, 복합 유체, 모듈형 고분자 처리, 미세유체 순차 반응이라는 네 작업의 물리 조건이 다르기 때문이다. 현장 선택은 공식 논문에서 확인한 기능 범위를 출발점으로 삼되, 자기 시료와 분석기·복구 규칙을 통과한 결과로 끝내야 한다.
처리량과 구매 가능성을 같은 기준으로 비교하는 법
네 플랫폼 가운데 상용 제품처럼 바로 구매할 수 있는 것은 무엇인가요?
이 비교의 공식 근거는 연구 플랫폼과 원 논문이다. 장비·소프트웨어 일부는 상용 부품이어도 완성 플랫폼의 가격, 지원지역과 서비스 수준은 공개 연구 성과만으로 확정할 수 없다. 구매 가능 여부는 현재 견적·지원 계약·설치 조건을 별도로 확인해야 한다.
처리량이 가장 높은 플랫폼을 고르면 되나요?
아니다. 실험 한 회의 시료량·반응시간·분석·세정·사람 개입이 다르다. 자기 시료로 전체 주기시간, 실패복구, 원시 데이터와 가동률을 같은 분모로 측정한 뒤에만 처리량을 비교할 수 있다.
자료 마지막 확인: 2026년 8월 26일