한 줄 요약
AI workflow를 마지막 단계까지 돌렸다고 해서, 바로 “실제 연구를 시작할 준비가 끝났다”고 말할 수는 없습니다. 이번 확장과제에서는 오히려 그 차이를 분명히 하기 위해, 모든 단계를 완료한 뒤에도 문헌·데이터·장비·공고에 관한 모르는 사실을 WARN으로 남 겼습니다.
기본과제 다음에 남은 질문
앞선 기본과제에서는 반복되던 strict metadata 경고를 하나의 작은 문제로 고정했습니다. 기존 기록은 고치지 않고, 새 strict run에서 metadata-only ingestion의 정상 경로를 증명했습니다.
그 작업은 의도적으로 ingestion에서 멈췄습니다. 필요한 입력과 사람이 확인한 범위가 없는 다음 단계를 억지로 완료시키지 않았기 때문입니다.
마지막 슬라이드의 확장과제는 여기서 질문을 바꿉니다.
한 번 잘 돌아간 개선 과정을, 다음에도 같은 원칙으로 움직이는 상시 Growth Loop로 만들려면 무엇이 필요한가?
슬라이드는 다섯 가지를 요구했습니다.
하나의 호출 주기
하나의 권한 모델
중복 방 지
중단·되돌림
반복 실행 증거
처음에는 이 목록이 자동화를 위한 체크리스트처럼 보일 수 있습니다. 하지만 실제로 해 보니 핵심은 “얼마나 자동으로 움직이게 할까”가 아니었습니다. 어디까지 자동으로 움직이지 않게 할까를 먼저 정하는 일이었습니다.
자동화보다 먼저, 하나의 run을 끝까지 연결했다
이번 작업에서 자동 cron이나 daemon을 새로 만들지는 않았습니다. 확장과제의 실제 연결점은 rn-growth-loop-20260812라는 하나의 strict run이었습니다.
ingestion → profile → idea → design → equipment
→ zeus → plan → review → audit
각 단계는 다 음 단계로 넘어가기 전에 별도의 Human Gate, proof, snapshot을 남겼습니다. 따라서 이 run은 “파일을 한꺼번에 생성한 기록”이 아니라, 입력과 승인 범위가 확인될 때마다 하나씩 상태를 전환한 lifecycle 기록입니다.
같은 승인이 다음 문까지 열지는 않게 했다
반복 workflow에서 위험한 일 중 하나는 이전에 받은 허가가 다음 행동까지 저절로 허용되는 경우입니다.
이번 run에서는 profile, idea, design, equipment, ZEUS, review가 각각 다른 승인 기록과 입력 fingerprint를 가졌습니다. 예를 들어 IDEA-A는 후보 네 개를 만든 뒤, 사용자의 a 선택이 확인된 후에만 선택 artifact로 기록됐습니다.
이 방식은 거창한 자동화 기능이 아니라, “이전 단계의 확인이 다음 단계의 확인을 대신하지 않는다”는 운영 원칙입니다.
모호하면 더 세게 밀어붙이지 않고, 다음 결정을 작게 만들었다
슬라이드는 Review가 모호할 때의 Ouroboros Seed, Patch가 모호할 때의 Autoresearch Experiment Contract를 선택 확장으로 제시합니다. 이번 run에서 두 항목을 별도 자동화 파일이나 실행기로 구현하지는 않았습니다.
대신 그 원칙을 실제 선택 과정에 적용했습니다.
무엇을 다음으로 할지 모호할 때: 후보 네 개를 local-only로 분리하고, 사용자가 IDEA-A를 선택한 뒤에만 idea 단계를 확정했습니다.
무엇을 바꿔야 할지 모호할 때: 모델 실행을 서두르지 않고 synthetic degradation, baseline, 격자 간격 오차, 실패 신호를 설계에 먼저 적었습니다.
즉, 이번 확장과제에서 확인한 것은 자동 판단기가 아니라, 근거·선택·실험 경계가 불명확할 때 다음 행동을 확정하지 않는 방식입니다.
profile과 idea: 사람의 경험을 과장 없이 다음 질문으로 연결하다
profile 단계에서는 로컬 요약 문서 두 개만 읽었습니다. 연락처나 생년월일 같은 직접 식별 정보는 새 profile에서 제외했습니다.
연구 경력도 한 줄로 뭉뚱그리지 않았습니다.
HR-TEM과 Cryo-TEM: core
in-situ heating TEM: extended
4D-STEM/py4DSTEM: conceptual-learning
이 구분은 겸손한 표현을 위한 장식이 아닙니다. 다음 연구 아이디어가 실제 강점에서 출발하는지, 아니면 아직 학습 중인 기술을 핵심 전문성처럼 밀어 올리는지를 구분하기 위한 기준입니다.
그 profile을 바탕으로 서로 다른 연구 방향 네 개를 만들었습니다. 그중 선택된 것은 저선량 TEM 이미지 복원 평가였습니다.
다만 주제는 “AI가 TEM 이미지를 깨끗하게 만들 수 있는가”가 아닙니다.
이미지가 선명해진 것과, 과학자가 측정하려는 구조값이 더 정확해진 것은 같은 일인가?
이 질문이 선택된 이유는 TEM 해석 경험과 Python·PyTorch·OpenCV 기반 분석 역량을 연결하면서도, 비공개 이미지나 새 장비 사용 없이 synthetic pilot부터 시작할 수 있기 때문입니다.
화질이 좋아져도, 측정이 좋아졌다고 말할 수는 없다
선택된 연구 설계는 복원 모델의 점수 경쟁보다 평가의 분리를 먼저 둡니다.
기준 이미지
→ 재현 가능한 synthetic degradation
→ noisy input / 비학습 필터 / 복원 baseline 비교
→ PSNR·SSIM과 격자 간격 오차를 따로 계산
→ 두 결과가 어긋나는 사례를 기록
PSNR과 SSIM은 이미지가 원본과 얼마나 비슷해 보이는지를 평가하는 지표입니다. 반면 격자 간격 오차는 TEM 이미지에서 실제로 읽어 내고 싶은 구조값이 얼마나 달라졌는지 보는 지표입니다.
둘이 항상 같이 좋아진다면 복원 모델을 평가하기가 단순해집니다. 하지만 더 선명하게 보이는 이미지가 구조적 artifact를 만들었다면, 시각적 품질은 올라가도 측정값은 나빠질 수 있습니다.
이번 설계의 성공 기준은 특정 모델이 이겼다는 선언이 아닙니다. 두 종류의 평가가 같은 결론을 내리는지, 아니면 어디서 달라지는지를 기록할 수 있는가입니다.
그래 서 실제 TEM 이미지, 데이터셋 다운로드, 모델 학습은 아직 하지 않았습니다. 현재 산출물은 실험 결과가 아니라, 실행 전에 무엇을 증명해야 하는지 정리한 설계입니다.
ZEUS와 NRF를 확인하고도, 모른다고 쓴 이유
장비와 연구계획 이야기가 나오면 “어느 기관 장비를 쓸 수 있나”, “어느 공고에 맞나”를 바로 답하고 싶어집니다. 이번에는 공개 ZEUS와 NRF endpoint를 제한적으로 확인했습니다.
하지만 결과는 편리한 확답이 아니었습니다.
ZEUS 공개 요청은 login-check 경로로 이동했습니다.
NRF 공식 홈페이지는 열렸지만, 이번 제한 조회에서는 특정 최신 공고와 양식을 식별하지 못했습니다.
그래서 기록한 결론은 단순합니다.
확인 대상
이번에 말할 수 있는 것
이번에 말할 수 없는 것
ZEUS
공개 요청이 login-check로 이동했다
특정 TEM이 존재한다, 예약 가능하 다, 사용할 수 있다
NRF
공식 홈페이지가 응답했다
현재 공고의 자격·양식·예산·마감·평가 기준에 맞는다
이 차이를 남기지 않으면, “검색했다”가 “사용할 수 있다” 또는 “지원할 수 있다”로 바뀌기 쉽습니다. AI workflow에서는 이런 작은 생략이 나중에 가장 큰 오해가 됩니다.
모든 단계를 끝냈지만, audit은 PASS가 아니었다
최종적으로 run의 모든 stage는 완료 상태가 됐습니다.
ingestion → profile → idea → design → equipment
→ zeus → plan → review → audit
그런데 최종 audit은 PASS가 아니라 WARN입니다.
WARN 1. 관련 문헌과 신규성 비교는 아직 하지 않았다.
WARN 2. TEM/public dataset의 라이선스·calibration·접근은 확인하지 않았다.
WARN 3. ZEUS listing과 실제 시설 접근은 확인하지 않았다.
WARN 4. 현재 NRF 공고의 실제 요구사항은 확인하지 않았다.
처음에는 완료와 WARN이 함께 있는 것이 어색해 보일 수 있습니다. 하지만 두 문장은 다른 대상을 말합니다.
완료: 약속한 workflow 산출물, gate, proof, snapshot, audit을 만들고 검증했다.
준비 완료: 실제 데이터를 사용하고, 장비를 예약하고, 현재 공고 양식으로 제출해도 되는 상태다.
이번에는 첫 번째만 완료했습니다. 두 번째까지 완료됐다고 말하려면, 새로운 외부 근거와 별도 승인이 필요합니다.
이 구분 덕분에 “끝까지 돌렸다”는 말은 할 수 있지만, “이제 당장 연구를 실행하거나 지원서를 제출할 수 있다”는 말은 하지 않습니다.
사람이 결정한 것, AI가 맡은 것
이번 확장과제에서 사람은 다음을 정했습니다.
기존 기록을 어떻게 보존할지
어느 단계에서 새 승인을 요구할지
외부 검색의 범위를 어디까지로 제한할지
실제 연구 실행과 계획 산출물을 어떻게 구분할지
미확인 항목을 WARN으로 남길지
AI는 그 경계 안에서 다음을 했습니다.
각 stage의 산출물 형식과 연결 관계를 확인
입력이 바뀌면 예전 승인이 재사용되지 않도록 fingerprint를 대조
후보를 중복 없이 비교하고 선택 기록을 남김
proof와 snapshot hash를 비교
공개 endpoint 관측 결과와 확인하지 못한 사실을 분리
최종 audit에서 문제를 숨기지 않고 작은 repair owner와 Human Gate를 기록
AI가 workflow를 “완주”한 것처럼 보일 수 있습니다. 실제로는 사람이 정한 경계 안에서, 무엇이 확인됐고 무엇이 아직 아닌지를 문서와 검증 결과로 연결한 것입니다.
이번 과제에서 남긴 운영 원칙
상시 loop의 시작은 자동화가 아니라 단일 판단 지점이다.
먼저 수동 dry-run으로 호출·중단·증거 규칙을 시험한다.
승인은 다음 단계로 자동 이월되지 않는다.
profile, idea, design, equipment, review는 각각 다른 입력과 다른 행동을 가진다.
중복 방지는 속도 기능이 아니라 판단 품질 기능이다.
이미 해결한 신호를 다시 문제처럼 다루지 않아야 Backlog가 신뢰를 얻는다.
모호하면 AI가 더 크게 움직이는 대신, 계약이 더 구체적이어야 한다.
Seed는 다음 후보를 고르고, Experiment Contract는 Patch의 경계를 고정한다.
완료와 준비 완료를 분리하면 WARN도 결과가 된다.
부족한 근거를 숨기지 않고 다음 Human Gate로 연결해야 workflow가 다시 쓸 수 있다.
마무리
이번 슬라이드 과제의 결과는 “AI가 연구계획을 다 만들었다”는 이야기가 아닙니다.
더 정확히는, 반복되는 경고 하나에서 시작한 작은 strict 기준선이 profile, idea, design, equipment, review, audit까지 이어질 때도 같은 원칙을 지킬 수 있는지 확인한 기록입니다.
모든 stage는 완료됐습니다. 그러나 다음 네 가지는 여전히 확인이 필요합니다.
문헌과 신규성
데이터와 라이선스
장비와 접근성
현재 공고와 제출 조건
그래서 이 workflow의 마지막 말은 PASS가 아니라 WARN입니다. 모르는 것을 모른다고 남긴 상태로 끝까지 연결한 것, 그리고 다음 사람이 그 WARN을 보고 어디에서 다시 시작해야 하는지 알 수 있게 만든 것이 이번 확장과제의 실제 결과입니다.
