피지컬 AI Lab

자율실험실 비용은 로봇 가격이 아니라 분석장비, 개조·안전, 장비 어댑터, 데이터·모델, 검증과 운영을 합친 총비용이다. ROI는 실험 수보다 후보 도달시간과 재현성으로 계산한다.

AI Scientist는 문헌·가설·코드·논문을 다루는 연구 에이전트이고 Self-Driving Lab은 시료·장비·측정을 닫힌 루프로 연결한다. 둘을 잇는 실행 가능성·승인·반증 경계를 정리한다.

Programmable Cloud Lab은 원격으로 표준화된 실험을 실행하는 시설 모델이고 Self-Driving Lab은 결과가 다음 실험 선택으로 돌아오는 의사결정 구조다. 외부 에이전트를 붙일 때의 경계를 실무 기준으로 비교한다.

SiLA 2는 기기 기능을 호출하는 언어이고 MADSci는 워크플로·자원·이벤트를 조정하는 실행 계층이다. 샘플 ID를 축으로 명령, 측정 파일, 교정과 버전을 끝까지 연결하는 표준 스택을 설계한다.

실험실 로봇의 진짜 난점은 팔의 반복정밀도보다 투명 유리, 흐르는 분말, 접촉이 필요한 바이알 삽입과 실패 뒤 상태 복구다. 센서와 허용오차를 작업별로 배치하는 방법을 설명한다.

A-Lab·Polybot·NIST AFL·AlphaFlow는 모두 자율실험실이지만 시료 상태, 물질 이동, 분석기와 의사결정 문제가 다르다. 이름 대신 실험 물성·모듈성·복구 경로로 플랫폼을 선택한다.

반도체 자율실험의 랩 성과를 팹에 넘기려면 최고 성능 한 점이 아니라 장비·웨이퍼·계측 변동을 견디는 공정창과 추적 가능한 변경 기록이 필요하다. 기술이전 게이트를 소재, 계측, 오염, 수율 순서로 설계한다.

Clio·Dragonfly의 42회 폐루프는 파우치셀 고속충전 수명을 직접 최적화한 실험이 아니다. 로봇이 전해질을 조제해 벌크 이온전도도를 측정하고, 베이지안 최적화가 다음 조성을 고른 뒤 후보를 220mAh 셀에서 별도로 검증한 구조다.

정정된 Berkeley A-Lab 결과는 17일 동안 57개 표적 중 36개를 실현한 63%다. 이는 로봇·문헌 모델·열역학·XRD·액티브러닝을 연결한 자율 합성의 증거이지, 과학계에 새로운 화합물 36개를 발견했다는 뜻은 아니다.

베이지안 최적화·액티브러닝·강화학습은 성능 순위가 아니라 질문이 다른 도구다. 비싼 실험에서 최적값을 찾으면 BO, 경계와 모델을 배우면 액티브러닝, 중간 상태가 다음 행동의 결과를 바꾸는 다단계 공정이면 강화학습을 우선 검토한다.