A Physical Testbed for Self-Driving Laboratories: Comparing Bayesian and Agentic Optimization in a Minimal Closed-Loop Color Formulation Task

이 논문은 상용 실험 자동화 장비로 만든 자율주행실험실 테스트베드에서 베이지안 최적화와 LLM 에이전트 최적화를 같은 조건으로 비교했다.

이 논문은 한마디로 시판 실험 로봇과 측정 장비를 붙여 24시간 넘게 무인으로 도는 자율주행실험실 테스트베드를 만들고, 염료 혼합으로 목표 흡광 스펙트럼을 맞추는 과제에서 베이지안 최적화와 LLM 에이전트 최적화를 비교했다. 시스템은 캠페인마다 48번의 닫힌 순환 반복을 약 4시간 동안 사람 개입 없이 수행했다. LLM 에이전트 최적화가 세 목표 모두에서 더 적은 반복으로 목표에 도달했고, 베이지안 최적화가 48번 안에 못 맞춘 목표도 11번 만에 맞췄다. 이 테스트베드는 실제 배치 전에 하드웨어와 의사결정 전략을 검증하는 기준 플랫폼 역할을 한다.

핵심 요약

• 상용 로봇과 측정 장비를 통합한 테스트베드가 6개 캠페인에서 누적 24시간 넘게 무인 닫힌 순환 실험을 수행했다.
• 각 캠페인은 48번의 닫힌 순환 반복을 약 4시간에 걸쳐 사람 개입 없이 완료했다.
• 염료 혼합 목표 맞추기 과제에서 평균 RMSE가 9.95 × 10−3 OD로 떨어지는 것을 확인했다.
• LLM 에이전트 최적화가 목표 1에서 52%, 목표 2에서 32% 적은 반복으로 목표에 도달했다.
• LLM 에이전트 최적화는 베이지안 최적화가 48번 안에 못 맞춘 목표 3을 11번 만에 맞췄다.
• LLM 에이전트는 캠페인 중에 선형 모델, Hill 곡선, 멀클리스-멘텐 곡선 등 여러 모델을 스스로 바꿔가며 사용했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.