에디슨 시대의 종말: 폐루프 AI 시대의 결정론적 발견

요약

재료과학과 제약 발견의 역사는 하나의 지속적인 방법론, 즉 에디슨식 접근법에 의해 규정되어 왔습니다. 고처리량 시행착오, 인간의 직관, 그리고 우연에 의존하는 이 방법은 한 세기 이상 인류에 봉사하며, 전구부터 최초 세대 합성 의약품에 이르는 혁신을 낳았습니다. 그러나 요구되는 재료의 복잡성이 증가하고 소분자의 "쉬운 성과"가 수확됨에 따라, 에디슨식 방법은 통계적·경제적 벽에 부딪혔습니다. 약물 유사 분자의 탐색 공간은 $10^{60}$에서 $10^{100}$ ¹사이로 추정되며, 이 규모는 물리적 스크리닝을 물리적으로 불가능하고 경제적으로 파멸적으로 만듭니다. 우리는 이제 직관 주도 발견의 황혼과 폐루프 자율 발견(Closed-Loop Autonomous Discovery) 의 여명을 목격하고 있습니다. 이는 능동 학습(Active Learning), 물리 정보 기계학습(Physics-Informed Machine Learning, PIML), 그리고 로봇 자동화를 통합한 물리 정보 기계학습(Physics-Informed Machine Learning, PIML), 그리고 로봇 자동화를 통합한

결정론적 엔진입니다. Veriprajna는 이 패러다임 전환의 최전선에 서 있습니다. 우리는 R&D의 미래가 단순히 더 빠르게 피펫팅하는 데 있지 않고, 더 똑똑하게 예측하는 데 있다고 주장합니다. 개방 루프 직관에서 폐루프 알고리즘 선택으로 전환함으로써, 기업은 화학적 광대함을 정밀하게 탐색할 수 있으며, 발견의 "예술"을 엄격한 공학 학문으로 전환합니다. 이 백서는 폐루프 발견 연구소(Closed-Loop Discovery Labs) 도입을 위한 아키텍처적, 수학적, 경제적 당위를 개괄합니다. 전통적 고처리량 스크리닝(HTS)의 한계, 무작위 탐색 대비 베이지안 최적화의 수학적 우월성, "음성 데이터(negative data)"의 비판적이면서도 과소평가된 역할, 그리고 자율주행 연구소 구축을 위한 구조적 요건을 해부합니다. 우리는 "생성형 AI 래퍼"에 대한 지배적 의존에 도전하고, 혁신의 경제학을 재정의하는 심층적이고 물리 규정을 준수하는 AI 솔루션을 옹호합니다.

업계에 전하는 메시지는 분명합니다. "에디슨 방식"은 구식입니다. 시뮬레이션 없이 습식 실험실에서 신재료를 물리적으로 시험한다면, 돈을 태우는 것입니다. 추측하고 확인하지 마십시오. 시뮬레이션하고 선택하십시오.

1. 에디슨식 발견의 통계적 불가능성

1.1 시행착오의 유산과 현대적 한계

토마스 에디슨에게 귀속되는 방법론—수천 개의 탄소 필라멘트를 시험해 토마스 에디슨에게 귀속되는 방법론—수천 개의 탄소 필라멘트를 시험해 빛나는 하나를 찾는 것—은 이론적 이해가 실험 능력에 크게 뒤처지던 시대에 뿌리를 두었습니다. 에디슨 자신과 니콜라 테슬라 같은 동시대 인물들은 19세기에도 이 접근법의 심각한 비효율성을 인식했습니다. 테슬라는 유명하게 에디슨의 방법론을 비판하며, "약간의 이론과 계산"이 ³ 노동의 90%를 절약할 수 있었을 것이라고 지적했습니다. 에디슨이 결국 더 구조화된 접근법을 채택했지만, 그의 유산은 현대 R&D에서 "무차별 대입" 방식으로 지속됩니다. 거대한 화합물 라이브러리를 합성하고 시험해

"히트"를 찾기를 희망하는 것입니다. 21세기에 이 접근법은 더 이상 실행 가능하지 않습니다. 비효율은 이론과 실험 사이의 근본적 단절에서 비롯되며, "단절 진화(punctuated evolution)"로 알려진 현상을 낳습니다. ⁴ 이 모델에서 장기간의 점진적 개선은 종종 우연에 의해 발견되는 드문 비약적 도약에 의해서만 중단됩니다. 예를 들어 에너지 재료 분야에서 의심스러운 아이디어는 엄격한 사전 검증 부재로 수년간 생존하며, 열역학적 가능성을 위반하는 재료에 자본을 낭비하게 합니다. ⁴ "빠르게 실패하라(fail fast)"는 격언은 인기 있지만, 종종 프로세스에서 너무 늦게 적용됩니다. 전통적 습식 실험실에서 실패는 비쌉니다. 시약, 합성 시간, 장비 사용이 자본을 소모합니다.

에디슨식 접근법의 근본적 결함은 "설계"가 아닌 "스크리닝"에 의존한다는 것입니다. 스크리닝은 답이 사전 합성된 라이브러리 안에 있다고 가정합니다. 그러나 복잡한 바이오의약품, 다원소 합금, 나노구조 계면으로 진입하면, 물리적으로 관리 가능한 라이브러리 내에 최적 해법이 존재할 확률은 거의 0에 가깝습니다. 에디슨식 방법은 노동으로 지능을 대체하려 하며, 문제 공간의 복잡성이 증가할수록 기하급수적으로 덜 효과적인 전략이 됩니다.

1.2 화학 공간의 천문학적 규모

물리적 시행착오의 무용함을 이해하려면 탐색 문제의 막대한 규모를 파악해야 합니다. 탐색 문제입니다. "화학 공간(chemical space)" 개념은 모든 물리적 시행착오의 무용함을 이해하려면 탐색 문제의 막대한 규모를 파악해야 합니다. "화학 공간(chemical space)" 개념은 주어진 구성 원칙과 경계 조건을 준수하는 모든 ¹ 가능한 분자와 화학 화합물이 차지하는 성질 공간을 의미합니다. 리핀스키 규칙(분자량 < 500, 제한된 원자 유형)을 준수하는 약리학적으로 활성 소분자의 수는 $10^{60}$로 추정됩니다. ¹ 할로겐, 복잡한 고리 구조, 더 큰 바이오의약품을 포함한 더 넓은 유기화학 공간으로 확장하면, 할로겐, 복잡한 고리 구조, 더 큰 바이오의약품을 포함한 더 넓은 유기화학 공간으로 확장하면, 수는 $10^{100}$에 근접합니다. ³

관점을 두면, 관측 가능한 우주의 원자 수는 대략 $10^{80}$입니다. 표준 고처리량 스크리닝(HTS) 캠페인은 $10^{6}$(100만) 개의 화합물을 시험할 수 있습니다. 제약 거대 기업이 10억 개($10^9$)의 화합물을 스크리닝하더라도, 그들은 $0.000000000000000000000000000000000000000000000000001%$의 가용 공간만 탐색했을 것입니다. "소분자 우주"는 천문학적입니다. 화학자들이 직관이나 무작위 스크리닝으로 이를 탐색하면, 가용 공간만 탐색했을 것입니다. "소분자 우주"는 천문학적입니다. 화학자들이 직관이나 무작위 스크리닝으로 이를 탐색하면, ²

사실상 길을 잃습니다. 이 맥락에서 "에디슨 방식"은 무작위 간격으로 티스푼을 물에 담가 태평양을 지도화하려는 것과 같습니다. 지도—예측 모델—없이 탐색은 수학적으로 비효율에 운명됩니다. 이 공간의 대다수는 화학의 "암흑 물질"—이론적으로 안정하지만 합성되거나 시험된 적 없는 화합물—을 탐색하는 상태로 남습니다. 이 광대함을 탐색하는 유일한 방법은 물리적 탐색에서 계산 탐색으로 전환하는 것이며, 가설 시험 비용은 밀리초 단위의 컴퓨팅 시간이 아닌 실험실 일수로 측정됩니다.

1.3 직관의 경제적 결과

이 비효율의 재정적 파급은 엄청납니다. 신약 개발 비용은 2024년 기준 자산당 약 22억 3천만 달러로 이 비효율의 재정적 파급은 엄청납니다. 신약 개발 비용은 2024년 기준 자산당 약 22억 3천만 달러로 ⁵ 상승했습니다. 이 수치에는 단일 성공에 앞서는 수천 건의 실패 비용이 포함됩니다. 제약 R&D의 내부수익률 2022년 12년 만의 최저치인 1.2%를 기록한 뒤 2024년 5.9%로 반등했으며, 이는 주로 GLP-1 작용제 같은 이상치에 의해 주도되었습니다. ⁶ (IRR)은 최근 회복 징후를 보이지만, 2022년 12년 만의 최저치인 1.2%를 기록한 뒤 2024년 5.9%로 반등했으며, 이는 주로 GLP-1 작용제 같은 이상치에 의해 주도되었습니다. 이 R&D 생산성 하락은 종종 "이룸의 법칙(Eroom's Law)"(무어의 법칙을 거꾸로 쓴 것)으로 불리며,

표적의 난이도 증가와 쉽게 발견 가능한 분자의 고갈의 직접적 결과입니다. ⁷ 업계는 "특허 절벽"과 경쟁 심화에 직면하여, 우연에서 예측 가능성으로의 전환이 필요합니다. 고처리량 스크리닝(HTS)은 시행착오 과정을 산업화하여 이를 해결할 것으로 기대되었습니다. 그러나 HTS는 종종 높은 위양성률을 ⁸ 산출하고 용해도, 독성 등 물리화학적 성질이 열악한 화합물을 식별합니다. 스크리닝이 합리적이 아닌 무작위이기 때문입니다. 또한 거대한 물리적 화합물 라이브러리와 자동화 스크리닝 ⁹

인프라를 유지하는 데 필요한 자본 지출은 최대 규모 조직을 제외하고는 감당하기 어렵습니다. 경제적 현실은 물리적 실험이 R&D에서 가장 비싼 단계라는 것입니다. 열역학적으로 불안정한 재료를 시험하거나 독성 분자를 합성하는 것—이러한 성질이 예측 가능했음에도—은 "돈을 태우는 것"입니다. ¹¹ 발견의 경제학을 회복하려면 깔때기를 뒤집어야 합니다. 거대하고 저렴한 인실리코 스크리닝으로 최고 확률 후보를 식별하고, 비싼 습식 실험실은 탐색이 아닌 검증에만 사용해야 합니다.

1.4 "더 나은 배터리" 기만과 재료 실패

에디슨식 접근법의 한계는 재료과학에서 특히 두드러지며, "더 나은 배터리" 기만이 직관 주도 연구의 함정을 보여 줍니다. 더 높은 에너지 밀도를 추구하는 과정에서 연구자들은 이론적으로 높은 에디슨식 접근법의 한계는 재료과학에서 특히 두드러지며, ⁴ "더 나은 배터리" 기만이 직관 주도 연구의 함정을 보여 줍니다. 더 높은 에너지 밀도를 추구하는 과정에서 연구자들은 이론적으로 높은 성능을 제공하지만 실제로는 열역학적 안정성이나 동역학적 제약을 위반하는 재료를 추구하는 경우가 많습니다. 이러한 재료가 엄격한 시뮬레이션 없이 물리적으로 시험되기 때문에, "막다른 길"은

상당한 투자 후에야 발견됩니다. 역사적 관찰에 따르면 배터리 재료 개발은 "단절 진화"로 진행되며, 새로운 재료 클래스(예: LiFePO4) 발견으로 큰 도약이 발생한 뒤 ⁴ 장기간의 점진적 최적화가 이어집니다. 에디슨식 접근법은 최적화 단계(점진적 진화)에서는 합리적으로 효과적이지만, 새 재료 클래스의 탐색 공간이 무작위 샘플링에 비해 너무 광대하여 다음 "큰 도약"(단절 진화)을 통계적으로 찾기 어렵습니다. 대조적으로 예측 AI는 1그램도 합성하기 전에 알려진 및 가설적 무기 결정 구조 데이터베이스 전체를 스캔해 열역학적으로 안정한 후보를 식별할 수 있습니다. ¹¹

2. 계산적 당위: 합성 전 시뮬레이션

2.1 물리 정보 기계학습(PIML) 대 블랙박스 AI

에디슨식 함정에서 벗어나려면 R&D는 인실리코로 이동해야 합니다. 그러나 모든 AI가 동등하게 만들어지지는 않습니다. 시장은 현재 데이터 시장은 현재 데이터 상관관계만으로 학습하는 "블랙박스" AI 모델로 넘쳐납니다. 이러한 모델은 신규 영역의 실험 데이터가 희소하고, 노이즈가 많으며, 획득 비용이 높기 때문에 과학적 발견에 불충분합니다. 또한 표준 기계학습 모델은 외삽에 어려움을 겪습니다—훈련 데이터 범위 내에서는 잘 수행하지만 완전히 새로운 재료 클래스의 성질을 예측하라는 요청에는 치명적으로 실패합니다.

해답이자 Veriprajna 제안의 핵심은 물리 정보 기계학습 (PIML)입니다. PIML은 질량·에너지 보존, 열역학, 양자역학 등 근본 물리 법칙을 신경망 아키텍처나 손실 함수에 직접 통합합니다. ¹³ AI가 신규 재료에 존재하지 않는 수백만 데이터 포인트로 물리를 처음부터 학습하도록 요청하는 대신, 시스템을 지배하는 편미분방정식 (PDE)을 모델에 내장합니다.

이 접근법은 세 가지 핵심 이점을 제공합니다:

1.​ 데이터 효율성: PIML 모델은 "게임의 규칙"(물리)이 이미 알려져 있어 훈련 데이터가 훨씬 적게 필요합니다. 예를 들어 재료 손상 게임의 규칙"(물리)이 이미 알려져 있습니다. 예를 들어 재료 손상 특성화에서 PIML 프레임워크는 축소된 데이터셋으로도 높은 예측 정확도를 달성했습니다. 특성화에서 PIML 프레임워크는 응력 평형과 변형률-변위 호환 제약을 강제하여 축소된 데이터셋으로도 높은 예측 정확도를 달성했습니다. ¹⁴

2.​ 일반화 가능성: 순수 데이터 기반 모델은 훈련 분포 밖을 예측할 때(외삽) 실패합니다. 물리 법칙으로 제약된 PIML 모델은 훈련 분포 밖을 예측할 때(외삽) 실패합니다. 물리 법칙으로 제약된 PIML 모델은 훨씬 더 잘 외삽하여, 예측이 물리적으로 타당하게 유지되도록 보장하며, 훨씬 더 잘 외삽하여, 화학 공간의 미탐색 영역에서도 예측이 물리적으로 타당하게 유지됩니다. ¹⁵

3.​ 물리적 일관성: 표준 생성형 AI는 원자가 규칙이나 질량 보존을 위반하는 분자를 "환각"할 수 있습니다. PIML은 모든 전자를 추적해 원자가 규칙이나 질량 보존을 위반할 수 있습니다. PIML은 모든 전자를 추적하여 반응 예측 중 물질의 허위 생성·소멸을 방지합니다. 예를 들어 "FlowER"(Flow matching for Electron Redistribution) 시스템은 반응 예측 중 물질의 허위 생성·소멸을 방지합니다. 예를 들어 "FlowER"(Flow matching for Electron Redistribution) 시스템은 전자 재분배를 명시적으로 추적하여 화학 반응 예측에서 질량·전하 보존을 보장하며, 이는 표준 대규모 언어 모델로는 불가능한 성과입니다. ¹⁶

2.2 밀도 범함수 이론(DFT)을 AI로 초월하기

밀도 범함수 이론(DFT)은 수십 년간 계산 화학의 핵심 도구로, 제1원리로부터 전자 구조를 계산할 수 있게 했습니다. 그러나 밀도 범함수 이론(DFT)은 수십 년간 계산 화학의 핵심 도구로, 제1원리로부터 전자 구조를 계산할 수 있게 했습니다. 그러나 DFT는 계산 비용이 높고 시스템 크기에 따라 확장성이 나쁘며, 일반적으로 $O(N^3)$ to $O(N^4)$. 복잡한 분자나 결정 표면에 대한 단일 고정밀 DFT 계산은 고성능 컴퓨팅 클러스터에서 며칠이 걸릴 수 있습니다. ¹⁷ 이 계산 비용은 DFT를 전체 탐색 공간을 스캔하기보다 소수 후보의 검증에 제한합니다.

현대 워크플로는 AI를 활용해 DFT 정확도를 훨씬 낮은 비용으로 근사합니다. 기존 DFT 데이터로 그래프 신경망(GNN)을 훈련하여 "대리 모델(surrogate models)" 또는 기계학습 포텐셜(MLP)을 생성합니다. ¹⁷ 이러한 모델은 포텐셜 에너지 곡면과 힘을 시간 단위가 아닌 밀리초에 예측하여 $1000\times$ 이상의 속도 향상을 달성합니다.

●​ 사례: 능동 학습으로 개발된 ANI-1x 포텐셜은 분자 벤치마크에서 DFT 수준의 정확도를 달성했으며, 순진한 무작위 샘플링에 필요한 데이터의 10%만 사용했습니다. 정확도를 달성했으며, 순진한 무작위 샘플링에 필요한 데이터의 10%만 사용했습니다. ¹⁸

●​ 탐색 완전성: DFT와 ML을 결합하면 "탐색 완전성"—발견 가능한 안정 화합물 중 얼마나 많은 비율이 발견되었는지—을 계산할 수 있습니다. 이는 재료 발견을 무한한 사냥에서 유계된 최적화 문제로 전환합니다. 완전성"—발견 가능한 안정 화합물 중 얼마나 많은 비율이 발견되었는지—을 계산할 수 있습니다. 이는 재료 발견을 무한한 사냥에서 유계된 ¹⁹ 최적화 문제로 전환합니다. DFT 에너지 분포를 분석하는 베이지안 통계 모델을 사용하면, 특정 화학 공간의 탐색이 수확 체감에 도달했는지 판단하여 계산 자원 배분을 최적화할 수 있습니다. ¹⁹

2.3 그래프 신경망(GNN) 대 LLM의 역할

GPT-4, Claude, Gemini 같은 대규모 언어 모델(LLM)이 과학을 포함한 모든 AI 문제의 보편적 해법이라는 오해가 널리 퍼져 있습니다. LLM은 텍스트 처리에 뛰어나고 문헌 검토, 프로토콜 생성, 코딩을 지원할 수 있지만, 분자의 기하학적·위상적 특성을 본질적으로 다루기 어렵습니다. GPT-4, Claude, Gemini 같은 대규모 언어 모델(LLM)이 과학을 포함한 모든 AI 문제의 보편적 해법이라는 오해가 널리 퍼져 있습니다. LLM은 텍스트 처리에 뛰어나고 문헌 검토, 프로토콜 생성, 코딩을 지원할 수 있지만, ²⁰ 분자의 기하학적·위상적 특성을 본질적으로 다루기 어렵습니다. 분자는 문장이 아니라 원자(노드)와 결합(엣지)로 정의된 3D 그래프이며, 특정 기하학적 제약, 키랄성, 전자적 성질을 가지며 선형 텍스트

문자열에 직접 매핑되지 않습니다. LLM은 일반적으로 분자를 문자열 표현(SMILES)으로 다루어 "환각"—화학적으로 불가능하거나 불안정한 구조에 해당하는 유효해 보이는 문자열 생성—을 유발할 수 있습니다. ²¹

●​ GNN 우월성: 벤치마크에 따르면 분자의 그래프 구조를 명시적으로 모델링하고 인접 원자 간 메시지를 전달하는 GNN이 기하 구조를 포함한 성질 예측 작업에서 일관되게 LLM을 능가합니다. ²⁰ GNN은 "순열 불변(permutation invariant)"(원자 순서가 텍스트 문자열과 달리 중요하지 않음)이며 3D 좌표와 결합각을 직접 통합할 수 있습니다.

●​ 하이브리드 접근: Veriprajna가 옹호하는 이상적 아키텍처는 하이브리드 입니다. LLM은 "추론 에이전트" 또는 "오케스트레이터"로 작동하여 과학 문헌을 파싱해 합성 레시피를 추출하고 고수준 실험 프로토콜을 설계합니다. 한편 전문 GNN과 PIML 모델은 "전문 엔진"으로 작동하여 엄격한 성질 예측, 역설계, 안정성 분석을 수행합니다. ²⁴ 이 "코파일럿(Co-Pilot)" 모델은 LLM의 의미론적 추론을 활용하면서 분자 설계의 핵심 작업에는 GNN의 기하학적 정밀도에 의존합니다. ²⁴

특성	대규모 언어 모델(LLM)	그래프 신경망 (GNN)	물리 정보 ML (PIML)
데이터 표현	1D 텍스트 문자열 (SMILES)	3D 그래프 (노드/엣지)	Diferential Equations / Tensors
핵심 강점	추론, 문헌 합성, 코딩	위상/기하 학적 성질 예측	물리적 일관성, 외삽
약점	환각, 3D 인식 부족	제한적 의미 이해	복잡한 구현, 솔버
이상적 역할	오케스트레이터 / 에이전트	성질 예측기	제약 / 시뮬레이션 엔진

3. 자율의 아키텍처: 폐루프 발견

3.1 능동 학습의 "플라이휠"

에디슨식에서 계산적 접근으로의 전환은 첫 단계에 불과합니다. 궁극적 도약은 폐루프 발견 연구소(Closed-Loop Discovery Lab) 이며, 자율주행 연구소(Self-Driving Lab, SDL)로도 불립니다. 이 패러다임에서 AI는 수동적 분석가가 아니라 능동적 실험자입니다. 시스템은 예측과 검증 사이의 루프를 닫아 AI는 수동적 분석가가 아니라 능동적 실험자입니다. 시스템은 예측과 검증 사이의 루프를 닫아 지수적으로 가속하는 학습의 선순환을 만듭니다.

워크플로는 설계-제조-시험-분석(Design-Make-Test-Analyze, DMTA)로 설명되는 연속 순환으로 작동합니다 ¹² :

1.​ 가설 생성(설계): AI 모델("에이전트")이 현재 탐색 공간 이해를 바탕으로 최적화된 성질을 가진 후보 최적화된 성질을 가진 후보 재료를 예측합니다. 단순 추측이 아니라 획득 함수를 최적화해 가장 가치 있는 실험을 재료를 예측합니다. 단순 추측이 아니라 획득 함수를 최적화해 가장 가치 있는 실험을 선택합니다.

2.​ 자동 합성(제조): 로봇 플랫폼이 설계 지시를 수신합니다. 액체 핸들러, 플로우 리액터, 3D 프린터가 인간 개입 없이 재료를 합성합니다.

3.​ 특성화(시험): 통합 센서(분광, XRD, 현미경)가 합성 재료의 성질을 측정합니다.

4.​ 피드백(분석): 결과가 AI 모델에 다시 공급됩니다. 중요하게도 모델은 이 새 데이터 포인트를 바탕으로 내부 신념(대리 모델)을 업데이트합니다.

5.​ 반복: AI가 다음 실험을 선택하며 순환이 반복됩니다.

이 "플라이휠" 효과는 발견을 수 차원 가속합니다. 예를 들어 버클리의 A-Lab은 17일 만에 41개의 신규 무기 화합물을 합성했으며—인간 연구자에게는 수개월 또는 수년이 걸릴 업적입니다. ²⁶ AI 에이전트는 중간 결과를 바탕으로 합성 레시피를 자율적으로 수정하여 진정한 적응 행동을 입증했습니다.

3.2 능동 학습: 수학적 엔진

폐루프 연구소의 두뇌는 능동 학습(Active Learning) 입니다. 거대한 정적 라벨 데이터셋이 필요한 전통적 지도 학습과 달리, 능동 학습은 소량 데이터로 시작해 거대한 정적 라벨 데이터셋이 필요한 전통적 지도 학습과 달리, 능동 학습은 소량 데이터로 시작해 "오라클"(실험)에 가장 가치 있는 데이터 포인트를 반복적으로 질의합니다. ²⁸ 핵심 메커니즘은 탐색(Exploration)(화학 공간의 미지 영역 탐색)과 활용(Exploitation)(알려진 히트 주변 영역 정제)의 균형입니다. 이는 일반적으로 베이지안 최적화를 통해 달성됩니다.

3.2.1 베이지안 최적화(BO)와 가우시안 프로세스

베이지안 최적화는 화학에서 AL의 표준 수학적 프레임워크입니다. 비용이 큰 "블랙박스" 함수(실험)를 근사하기 위해 일반적으로 가우시안 프로세스(GP)인 확률 모델을 사용합니다. 베이지안 최적화는 화학에서 AL의 표준 수학적 프레임워크입니다. 비용이 큰 "블랙 ³⁰ 박스" 함수(실험)를 근사하기 위해 일반적으로 가우시안 프로세스(GP)인 확률 모델을 사용합니다. GP는 탐색 공간의 모든 지점에 대해 두 가지를 예측합니다:

1.​ 평균 ($\mu$): 기대 성질 값(예: 수율, 전도도).

2.​ 분산 ($\sigma^2$): 해당 예측의 불확실성.

이 불확실성 정량화가 BO의 초능력입니다. 모델이 아무것도 모르는 탐색 공간의 "어두운" 이 불확실성 정량화가 BO의 초능력입니다. 모델이 아무것도 모르는 탐색 공간의 "어두운" 영역과 고성능에 확신하는 "밝은" 영역을 식별할 수 있게 합니다.

3.2.2 획득 함수: 탐색 전략

시스템은 GP 예측을 바탕으로 획득 함수(Acquisition Function) 를 사용해 다음 실험을 결정합니다. 함수 선택이 AI의 전략을 결정합니다 ³⁰ :

●​ 상한 신뢰 구간(UCB): 이 전략은 낙관적입니다. 놀라울 수 있는 지점(높은 불확실성 + 높은 평균)을 선택합니다. 실질적으로 "이 영역은 불확실하지만 놀라울 수 있는 지점(높은 불확실성 + 높은 평균)을 선택합니다. 실질적으로 "이 영역은 불확실하지만 상한이 높으니 확인하자"고 말합니다. 매개변수 $\lambda$ 가 탐색과 활용 사이의 균형을 조정합니다.

●​ 기대 개선(EI): 새 지점이 현재 최고 알려진 값을 능가할 확률을 개선 폭으로 가중해 계산합니다. 더 현재 최고 알려진 값을 능가할 확률을 개선 폭으로 가중해 계산합니다. 더 보수적이고 활용 중심의 전략입니다.

●​ 톰pson 샘플링: 사후 분포에서 함수를 샘플링해 최댓값을 선택하는 확률적 접근입니다. 복잡한 비볼록 사후 분포에서 함수를 샘플링해 최댓값을 선택하는 확률적 접근입니다. 복잡한 비볼록 경관과 배치 실험을 다루는 데 특히 효과적이며, 선택된 배치의 다양성을 자연스럽게 촉진합니다. ³²

3.2.3 다중 충실도 및 비용 정보 최적화

실제 실험은 비용과 충실도가 다릅니다. 컴퓨터 시뮬레이션(DFT)은 저렴하지만 근사적이고, 습식 실험실 합성은 비싸지만 정확합니다. Veriprajna는 다중 충실도 베이지안 최적화(MF-BO) 를 옹호합니다. ³⁴

●​ MF-BO: 이 알고리즘은 저충실도 소스(시뮬레이션)와 고충실도 소스(실험)의 데이터를 융합합니다. 두 소스 간 상관을 학습합니다. 특정 영역에서 고충실도 소스(실험)의 데이터를 융합합니다. 두 소스 간 상관을 학습합니다. 특정 영역에서 시뮬레이션이 현실과 높은 상관을 보이면 AI는 저렴한 시뮬레이션에 의존해 그 영역을 탐색하고, 필요할 때만 비싼 실험을 실행합니다. ³⁴

●​ 비용 정보 BO(CIBO): 이 변형은 금전적 또는 시간적 실험 비용을 획득 함수에 명시적으로 통합합니다. 두 실험이 유사한 정보 이득을 제공하지만 하나는 5,000달러 시약, 다른 하나는 50달러 시약이 필요하면, CIBO는 더 저렴한 경로를 선택합니다. 연구에 따르면 CIBO는 동일한 결과를 달성하면서 최적화 비용을 최대 90%까지 줄일 수 있습니다. ³⁶

3.3 음성 데이터의 가치

에디슨식 모델에서 음성 결과(실패한 실험)는 종종 폐기되거나 실험 노트에 묻힙니다. 능동 학습 모델에서 음성 데이터는 금입니다. 에디슨식 모델에서 음성 결과(실패한 실험)는 종종 폐기되거나 실험 노트에 묻힙니다. 능동 학습 모델에서 음성 데이터는 금입니다.

●​ 결정 경계: "약물"과 "비약물"을 구분하려면 AI가 비약물이 어떤 모습인지 알아야 합니다. 음성 데이터는 모델의 결정 경계를 날카롭게 합니다. ²⁹

●​ 환각 감소: 훈련 세트에 음성 데이터를 포함하면 생성 모델을 접지하여 열역학적으로 불가능한 반응을 예측하지 않게 합니다. 접지하여 열역학적으로 불가능한 반응을 예측하지 않게 합니다. ³⁸

●​ 막다른 길 매핑: 실패를 체계적으로 탐색·기록함으로써 AI는 화학의 화학의 "막다른 길"을 매핑합니다. 실패 경관에 대한 이 위상적 지식은 "막다른 길"을 매핑합니다. 실패 경관에 대한 이 위상적 지식은 조직이 그 경로에 자원을 다시 낭비하지 않게 하는 영구적 IP입니다. ³

4. 미들웨어와 통합: 디지털 신경 시스템

4.1 격차 해소: AI에서 하드웨어로

자율 연구소 배포의 주요 병목은 실험실 하드웨어의 파편화입니다. 분광기, 액체 핸들러, 핫플레이트 등 서로 다른 벤더의 장비는 서로 다른 독점 언어를 사용합니다. 폐루프를 구축하려면 보편적 번역 계층— 로봇 미들웨어 —가 필요합니다. 이것 없이 AI는 항아리 속 뇌로, 손을 제어할 수 없습니다.

4.2 SiLA 2 표준

실험실 자동화 표준화(SiLA 2, Standardization in Lab Automation) 는 현대 자율 연구소의 핵심 enabler로 부상했습니다. 공장 중심의 무겁고 현대 자율 연구소의 핵심 enabler로 부상했습니다. 공장 중심의 무겁고 복잡한 산업 표준인 OPC UA와 달리, SiLA 2는 생명과학을 위해 설계되었으며 복잡한 산업 표준인 OPC UA와 달리, SiLA 2는 생명과학을 위해 설계되었으며 현대 웹 프로토콜에 기반합니다. ⁴⁰

●​ 마이크로서비스 아키텍처: SiLA 2는 모든 기기를 마이크로서비스로 취급합니다. 이를 통해 AI 에이전트가 특정 로봇 팔의 저수준 시리얼 포트 명령을 알 필요 없이 고수준 명령(예: "5ml 분주")을 보낼 수 있습니다. AI 에이전트가 특정 로봇 팔의 저수준 시리얼 포트 명령을 알 필요 없이 고수준 명령(예: "5ml 분주")을 보낼 수 있습니다. ⁴⁰

●​ 클라우드 연결성: HTTP/2, gRPC 등 안전한 서버 개시 연결을 가능하게 하여, Veriprajna 모델 같은 클라우드 기반 AI 두뇌가 방화벽을 통해 로컬 실험실 하드웨어를 Veriprajna 모델 같은 클라우드 기반 AI 두뇌가 방화벽을 통해 로컬 실험실 하드웨어를 안전하게 제어할 수 있습니다. ⁴¹

●​ 상호운용성: 레거시 장치와 최첨단 로봇 공학의 통합을 허용합니다. 20년 된 HPLC도 SiLA 2 드라이버로 래핑하면 최첨단 자율 루프의 일부가 될 수 있습니다. 로봇 공학의 통합을 허용합니다. 20년 된 HPLC도 SiLA 2 드라이버로 래핑하면 최첨단 자율 루프의 일부가 될 수 있습니다. ⁴²

비교: SiLA 2 대 OPC UA

특성	SiLA 2	OPC UA
도메인	생명과학 / R&D	산업 자동화 / 제조
아키텍처	마이크로서비스 (gRPC/HTTP2)	클라이언트-서버 (Binary/XML)
복잡성	낮음 (기능 정의	높음 (복잡한 정보

Col1	언어)	모델)
R&D 적합성	높음 (유연, 애자일)	낮음 (경직, 설정 부담)

4.3 디지털 트윈: 실행 전 시뮬레이션

물리적 로봇이 움직이기 전에, 실험은 디지털 트윈 에서 시뮬레이션되어야 합니다. 디지털 트윈은 기기, 환경, 샘플 물류를 포함한 물리적 실험실의 동적 가상 복제본입니다. ⁴³

●​ 시뮬레이션 및 검증: AI는 디지털 트윈에서 수천 건의 "가상 실험"을 실행해 물리적 실행 전 프로토콜의 논리, 타이밍, 충돌 경로를 검증할 수 있습니다. 트윈에서 수천 건의 "가상 실험"을 실행해 물리적 실행 전 프로토콜의 논리, 타이밍, 충돌 경로를 검증할 수 있습니다. 이는 비용이 큰 충돌과 샘플 손실을 방지합니다. ⁴⁴

●​ 이상 탐지: 실험실의 실시간 센서 데이터를 디지털 트윈 예측과 비교하면, 시스템은 배치를 망치기 전에 이상(예: 막힌 피펫으로 인한 압력 스파이크, 드리프트하는 온도 센서)을 탐지할 수 있습니다. 트윈은 운영 상태의 "지상 진실"로 작동합니다. ⁴⁴

●​ 용량 계획: 디지털 트윈을 통해 실험실 관리자는 인력 모델과 장비 활용을 시뮬레이션해 워크플로 병목(예: 원심분리기 적체)을 식별하고 최대 처리량을 위한 일정을 최적화할 수 있습니다. ⁴³

4.4 AI 기반 LIMS

실험실 정보 관리 시스템(LIMS)은 실험실의 척추입니다. 전통적 LIMS는 수동적 데이터베이스입니다. 새 세대는 AI 기반 LIMS 입니다. ⁴⁵

●​ 능동 모니터링: 결과를 저장하는 대신 AI-LIMS가 실시간으로 분석합니다. 규격 이탈 결과를 즉시 플래그하고 자동 재시험을 트리거하거나 워크플로를 중단할 수 있습니다. ⁴⁵

●​ 예측 유지보수: LIMS에 저장된 장비 사용 패턴과 성능 데이터를 모니터링하여, AI는 장비가 고장나기 전에 유지보수가 필요한 시점을 예측해 다운타임을 줄입니다. ⁴⁶

5. 경제적 영향: 폐루프의 ROI

5.1 CapEx 대 OpEx 최적화

AI 기반 R&D로의 전환은 발견의 비용 구조를 근본적으로 바꿉니다.

●​ OpEx 감소: 전통적 HTS는 OpEx 집약적(소모품, 시약, 인력 시간)입니다. 능동 학습은 히트를 찾는 데 필요한 물리적 실험 수를 수 차원(종종 10배~100배 감소) 줄입니다. 예를 들어 CIBO 전략은 시약 비용을 90%까지 줄일 수 있습니다. ³⁶

●​ CapEx 효율: 로봇 연구소 구축에는 초기 CapEx가 필요하지만, 자율 장비의 활용률은 거의 100%(24/7 가동)이며, 인력 운영 실험실의 전형적 30~40% 활용률과 대비됩니다. 따라서 자산수익률(ROA)이 훨씬 높습니다.

5.2 시장 출시 시간 가속

제약과 재료 분야에서 속도는 핵심 화폐입니다. 약물의 "특허 수명"은 고정되어 있으며; R&D에서 하루를 절약하는 것은 시장에서 독점권을 하루 더 확보하는 것입니다.

●​ 사례 연구(Exscientia): AI 설계 소분자가 약 12 개월 만에 1상 시험에 진입했으며, 업계 평균 4~5년과 대비됩니다. ⁴⁷

●​ 사례 연구(Insilico Medicine): 섬유증용 AI 발견 후보가 표적 발견부터 전임상 후보까지 일반 비용의 일부로 18개월 미만에 도달했습니다. 표적 발견부터 전임상 후보까지 일반 비용의 일부로 18개월 미만에 도달했습니다. ⁴⁷

●​ 재료과학: "A-Lab"은 자율 시스템이 상 다이어그램을 매핑하고 안정 구조를 며칠 만에 발견할 수 있음을 입증했으며, 이는 역사적으로 수십 년이 걸리던 과정입니다. ²⁶

5.3 시뮬레이션 "하지 않는" 비용

"에디슨 방식"은 숨은 "기회 비용"을 발생시킵니다. 시뮬레이션으로 배제할 수 있었던 재료를 시험하는 모든 달러는 "에디슨 방식"은 숨은 "기회 비용"을 발생시킵니다. 시뮬레이션으로 배제할 수 있었던 재료를 시험하는 모든 달러는 실행 가능한 후보에 쓰이지 않은 달러입니다. 제약 R&D 실패율이 약 90%에 머무는 가운데, AI가 "빠르게 실패"하고 "가상으로 실패"할 수 있는 능력은 ROI를 높이는 가장 큰 레버입니다. ³ Broad Institute에서 개발한 약물 독성(DILI/DICT) 예측 모델 같은 예측 모델은 연구자가 합성 전에 독성 화합물을 걸러내어 하류 실패 비용을 수백만 달러 절약하게 합니다. ⁴⁸

6. 사례 연구와 실제 검증

폐루프 발견으로의 전환은 이론적이지 않으며, 이미 엔터프라이즈에서 결과를 내고 있습니다. 폐루프 발견으로의 전환은 이론적이지 않으며, 이미 엔터프라이즈에서 결과를 내고 있습니다.

6.1 A-Lab(재료과학)

로렌스 버클리 국립연구소의 "A-Lab"은 완전 자율 발견 엔진의 대표 사례입니다. 로렌스 버클리 국립연구소의 "A-Lab"은 완전 자율 발견 엔진의 대표 사례입니다.

●​ 처리량: 17일 만에 41개의 신규 무기 화합물을 합성했습니다.

●​ 자율성: 시스템은 능동 학습을 사용해 자체 합성 레시피를 수정했습니다. 반응이 목표 상을 생성하지 못하면 AI가 XRD 패턴을 분석하고 전구체 비율이나 가열 프로파일을 조정한 뒤 재시도했습니다.

●​ 영향: 신규 재료에 대한 이 성공률(71%)은 인간 직관 주도 합성보다 훨씬 높습니다. ²⁶

6.2 제약 선도 기업

●​ Merck: Keytruda의 "특허 절벽"에 대비해 AI와 자동화를 적극 활용하여 고품질 후보로 파이프라인을 밀도 있게 구축하고 있습니다. ⁷

●​ Exscientia & Insilico: 이 "AI 우선" 바이오텍 기업들은 AI가 전통적 빅파마 방식보다 더 빠르고 저렴하게 임상 후보를 제공할 수 있음을 검증했습니다. 그들의 성공은 전 업계의 전환을 강제했습니다. AI가 전통적 빅파마 방식보다 더 빠르고 저렴하게 임상 후보를 제공할 수 있음을 검증했습니다. 그들의 성공은 전 업계의 전환을 강제했습니다. ⁴⁷

7. 전략적 전망: 래퍼에서 솔루션으로

7.1 "래퍼"를 넘어서

시장의 많은 현재 AI 제안은 공개 LLM API(OpenAI, Anthropic) 주변의 단순 "래퍼"에 불과합니다. 시장의 많은 현재 AI 제안은 공개 LLM API(OpenAI, Anthropic) 주변의 단순 "래퍼"에 불과합니다. 텍스트 생성에는 유용하지만 심층 과학에는 불충분합니다. 도메인 특화, 물리적 제약, 하드웨어 통합이 부족하여 진정한 R&D 변환에 필요한 요소를 갖추지 못합니다. 래퍼는 SiLA 2 액체 핸들러와 통합할 수 없고; 화학 반응에서 질량 보존을 강제할 수 없으며; 베이지안 엄밀성으로 $10^{100}$ 탐색 공간을 탐색할 수 없습니다.

Veriprajna는 딥 AI 솔루션 제공자 로 자리합니다. 이는 다음을 의미합니다:

●​ 맞춤 아키텍처: 분자 기하학용 GNN, 물리적 일관성용 PIML, 추론용 LLM을 결합한 하이브리드 모델을 구축합니다. 분자 기하학용 GNN, 물리적 일관성용 PIML, 추론용 LLM을 결합한

●​ 데이터 주권: 독점 화학 데이터가 클라이언트의 안전한 환경을 벗어나지 않도록 비공개 미세조정 모델을 배포합니다. 독점 화학 데이터가 클라이언트의 안전한 환경을 벗어나지 않도록 보장합니다.

●​ 풀스택 통합: 코드만 제공하지 않고, 베이지안 최적화 알고리즘부터 피펫을 제어하는 SiLA 2 드라이버까지 전체 루프를 설계합니다. 베이지안 최적화 알고리즘부터 피펫을 제어하는 SiLA 2 드라이버까지 전체 루프를 설계합니다.

7.2 화학의 미래

$10^{100}$ 탐색 공간은 더 이상 극복 불가능한 심연이 아니라 탐색할 지형입니다. 고성능 컴퓨팅, 생성형 AI, 로봇 탐색할 지형입니다. 고성능 컴퓨팅, 생성형 AI, 로봇 자동화의 수렴은 돌파구로 향하는 길을 피펫팅할 수 있게 합니다—단, 경로를 시뮬레이션한 후에.

미래는 추측을 멈추고 계산을 시작하는 이들에게 속합니다. 에디슨식 방법은 과거의 필요였습니다. 폐루프 발견은 미래의 당위입니다.

추측하고 확인하지 마십시오. 시뮬레이션하고 선택하십시오.

참고 문헌

1. Chemical space - Wikipedia, 2025년 12월 11일 접속, b https://en.wikipedia.org/wiki/Chemical_space

2. Scientists Map All Possible Drug-like Chemical Compounds - Duke Today, b 2025년 12월 11일 접속, https://today.duke.edu/2013/04/smallmolecules

3. Edisonian approach - Wikipedia, 2025년 12월 11일 접속, b https://en.wikipedia.org/wiki/Edisonian_approach

4. Addressing Edison's Concern, 2025년 12월 11일 접속, b https://www.its.caltech.edu/~matsci/bt/EdisonText.html f

5. Measuring the return from pharmaceutical innovation 2024 | Deloitte US, b 2025년 12월 11일 접속, https://www.deloite.com/us/en/Industries/life-sciences-health-care/articles/measturing-return-from-pharmaceutical-innovation.html

6. Pharma R&D Returns Grow Again, But Deloitte Warns Progress is 'Fragile' b BioSpace, 2025년 12월 11일 접속, https://www.biospace.com/business/pharma-r-d-returns-grow-again-but-deloite-warns-progress-is-fragile

7. Top 10 pharma R&D budgets in 2024 - Fierce Biotech, 2025년 12월 11일 접속, b https://www.fiercebiotech.com/special-reports/top-10-pharma-rd-budgets-2024

8. Virtual Screening and High-Throughput Screening in Drug Discovery b ResearchGate, 2025년 12월 11일 접속, https://www.researchgate.net/publication/392708243_Virtual_Screening_and_High-Throughput_Screening_in_Drug_Discovery

9. High Throughput Screening Market Forecast, 2025-2032 - Coherent Market Insights, 2025년 12월 11일 접속, https://www.coherentmarketinsights.com/industry-reports/high-throughput-screening-market

10. How do you choose between HTS, virtual screening and FBDD? - Domainex, 2025년 12월 11일 접속, https://www.domainex.co.uk/news/how-do-you-choose-between-hts-virtual-screening-and-fbdd

11. How the Materials Project connects computational and experimental materials science, 2025년 12월 11일 접속, https://it.lbl.gov/how-the-materials-project-connects-computational-and-experimental-materials-science/

12. The Bright Future of Materials Science with AI: Self-Driving Laboratories and Closed-Loop Discovery - ResearchGate, 2025년 12월 11일 접속, https://www.researchgate.net/publication/397193999_The_Bright_Future_of_Materials_Science_with_AI_Self-Driving_Laboratories_and_Closed-Loop_Discovery

13. Physics-informed machine learning for combustion: A review - arXiv, 2025년 12월 11일 접속, https://arxiv.org/html/2509.03347v1

14. Physics-Informed Machine Learning Models for the Characterization of Materials b with Damage, 18-R6214 | Southwest Research Institute, 2025년 12월 11일 접속, https://www.swri.org/what-we-do/internal-research-development/2023/chemistry-materials/physics-informed-machine-learning-models-the-characterization-of-materials-damage-18-r6214

15. Physics-Constrained Machine Learning for Chemical Engineering - arXiv, 2025년 12월 11일 접속, https://arxiv.org/html/2508.20649v1

16. A new generative AI approach to predicting chemical reactions | MIT News, 2025년 12월 11일 접속, https://news.mit.edu/2025/generative-ai-approach-to-predicting-chemical-reactions-0903

17. Machine Learning Approaches for Accelerated Materials Discovery - AZoM, 2025년 12월 11일 접속, https://www.azom.com/article.aspx?ArticleID=23290

18. Less is more: Sampling chemical space with active learning - AIP Publishing, 2025년 12월 11일 접속, https://pubs.aip.org/aip/jcp/article/148/24/241733/963478/Less-is-more-Sampling-chemical-space-with-active

19. A Combined DFT/Machine Learning Framework for Materials Discovery: Application to Spinels and Assessment of Search Completeness and Efficiency | Theoretical and Computational Chemistry | ChemRxiv | Cambridge Open Engage, 2025년 12월 11일 접속, https://chemrxiv.org/engage/chemrxiv/article-details/60c750b5469df44174f448e9

20. Benchmarking Large Language Models for Molecule Prediction Tasks | alphaXiv, 2025년 12월 11일 접속, https://www.alphaxiv.org/overview/2403.05075

21. LLM Copilots for Bench Scientists: A Practical Guide | IntuitionLabs, 2025년 12월 11일 접속, https://intuitionlabs.ai/articles/llm-copilots-bench-scientists

22. Evaluating the Performance and Robustness of LLMs in Materials Science Q&A and Property Predictions - arXiv, 2025년 12월 11일 접속, https://arxiv.org/html/2409.14572v2

23. Graph Neural Networks in Modern AI-Aided Drug Discovery | Chemical Reviews, 2025년 12월 11일 접속, https://pubs.acs.org/doi/10.1021/acs.chemrev.5c00461

24. Large Language Models Meet Graph Neural Networks: A Perspective of Graph Mining - MDPI, 2025년 12월 11일 접속, https://www.mdpi.com/2227-7390/13/7/1147

25. Large Language Models vs Graph Neural Networks: It Depends - Symmetry Systems, 2025년 12월 11일 접속, https://www.symmetry-systems.com/blog/large-language-models-vs-graph-neural-networks-it-depends/

26. Artificial intelligence-driven autonomous laboratory for accelerating chemical discovery, 2025년 12월 11일 접속, https://www.oaepublish.com/articles/cs.2025.66

27. Autonomous Chemical Experiments: Challenges and Perspectives on Establishing a Self-Driving Lab - PMC - PubMed Central, 2025년 12월 11일 접속, https://pmc.ncbi.nlm.nih.gov/articles/PMC9454899/

28. Active learning in robotics - Thomas A. Berrueta, 2025년 12월 11일 접속, https://tberrueta.github.io/assets/pdfs/TaylorMechatronics2021.pdf

29. The Hidden Value of Failure: Why Negative Data is Critical for AI-Driven Drug Discovery, 2025년 12월 11일 접속, https://www.digitalchemistry.ai/resources/white-papers/the-hidden-value-of-failure-why-negative-data-is-critical-for-ai-driven-drug-discovery/

30. Acquisition functions in Bayesian Optimization | Let's talk about science!, 2025년 12월 11일 접속, https://ekamperi.github.io/machine%20learning/2021/06/11/acquisition-functions.html

31. Bayesian Optimization for Chemical Synthesis in the Era of Artificial Intelligence: Advances and Applications - MDPI, 2025년 12월 11일 접속, https://www.mdpi.com/2227-9717/13/9/2687

32. what is Thompson sampling and upper Confidence bound | by Yashwanth Reddy - Medium, 2025년 12월 11일 접속, https://medium.com/@reddyyashu20/what-is-thompson-sampling-and-upper-confidence-bound-d8088a703b02

33. Deconstructing the human algorithms for exploration - PMC - NIH, 2025년 12월 11일 접속, https://pmc.ncbi.nlm.nih.gov/articles/PMC5801139/

34. Bayesian Optimization over Multiple Experimental Fidelities ..., 2025년 12월 11일 접속, https://pubs.acs.org/doi/10.1021/acscentsci.4c01991

35. Multi-fidelity Sequential Learning for Accelerated Materials Discovery - ChemRxiv, 2025년 12월 11일 접속, https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/60c756c60f50dbb7f939813f/original/multi-fidelity-sequential-learning-for-accelerated-materials-discovery.pdf

36. Cost-Informed Bayesian Reaction Optimization - ChemRxiv, 2025년 12월 11일 접속, https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/66220e8a21291e5d1d27408d/original/cost-informed-bayesian-reaction-optimization.pdf

37. Cost-informed Bayesian reaction optimization - PMC - NIH, 2025년 12월 11일 접속, https://pmc.ncbi.nlm.nih.gov/articles/PMC11465108/

38. 2025년 12월 11일 접속, https://pmc.ncbi.nlm.nih.gov/articles/PMC12164950/#:~:text=Here%2C%20we%20demonstrate%20that%20information,limited%20volume%20of%20successful%20data.

39. Negative chemical data boosts language models in reaction outcome prediction PMC, 2025년 12월 11일 접속, https://pmc.ncbi.nlm.nih.gov/articles/PMC12164950/

40. Standardization in Lab Automation - Wikipedia, 2025년 12월 11일 접속, https://en.wikipedia.org/wiki/Standardization_in_Lab_Automation

41. SiLA Rapid Integration - Standards, 2025년 12월 11일 접속, https://sila-standard.com/standards/

42. SiLA 2: The Next Generation Lab Automation Standard - ResearchGate, 2025년 12월 11일 접속, https://www.researchgate.net/publication/360985834_SiLA_2_The_Next_Generation_Lab_Automation_Standard

43. Optimising digital twin laboratories with conversational AIs: enhancing immersive training and simulation through virtual reality - RSC Publishing, 2025년 12월 11일 접속, https://pubs.rsc.org/en/content/articlehtml/2025/dd/d4dd00330f

44. Digital Twins in Pharmaceutical Quality Control | Lab Manager, 2025년 12월 11일 접속, https://www.labmanager.com/digital-twins-in-pharmaceutical-quality-control-34142

45. AI-Powered LIMS Systems: Transforming Lab Accuracy & Automation | Medium, 2025년 12월 11일 접속, https://medium.com/@healthray/ai-powered-lims-systems-transforming-lab-accuracy-automation-6e5aaf0748ba

46. AI-Driven Pharma LIMS Analytics Transform Lab Data Insights - LabLynx, 2025년 12월 11일 접속, https://www.lablynx.com/resources/articles/ai-driven-pharma-lims-analytics/

47. Measuring AI ROI in Drug Discovery: Key Metrics & Outcomes | IntuitionLabs, 2025년 12월 11일 접속, https://intuitionlabs.ai/articles/measuring-ai-roi-drug-discovery

48. De-risking drug discovery with predictive AI | Broad Institute, 2025년 12월 11일 접속, https://www.broadinstitute.org/news/de-risking-drug-discovery-predictive-ai