불균일 촉매 표면에서 최저 에너지 흡착 구성을 찾는 문제를 MLFF 완화 피드백으로 자율 오류를 수정하는 폐루프 다중 에이전트 프레임워크 AdsMind로 해결하며, AA20·OCD-GMAE62 벤치마크에서 각각 100%·98.8% 성공률을 달성하고 휴리스틱 열거 대비 MLFF 완화 횟수를 약 14배 줄였다. DFT 검증에서 개루프 LLM 에이전트가 보인 흡착 에너지 부호 오류를 피하고 정량적 일치도 개선해, 물리 기반 피드백이 있는 자율 화학 탐색의 신뢰성을 높인다.
이론적 불균일 촉매 연구는 빠른 촉매 발견을 가능하게 할 것으로 기대되지만, 충실도 높은 조건 인식 촉매 시뮬레이터의 부재로 인해 계산 및 머신러닝 예측이 실험과 자주 불일치하고 좁은 소재 계열에 국한되는 문제가 있다. 우리는 기체-고체 및 액체-고체 모델링을 통합하여 실제 작동 촉매의 자율적 디지털 트윈을 구축하는 자기 진화형 다중 에이전트 시스템인 CatDT(Catalysis Digital Twin)를 제안한다. 벌크 결정 구조와 자연어 반응 설명만으로, 8개의 전문화된 에이전트와 27개의 과학 도구가 단일 GPU에서 5-30분 내에 안정적인 패싯(facet) 예측, 실제 표면 재구성, 반응 경로 열거 및 순위 결정, 전이 상태(transition state) 탐색, 그리고 반응 동역학 계산을 수행한다. 가장 어려운 두 단계를 해결하기 위한 두 가지 혁신이 도입되었다: UniMech은 에이전트 기반 제안과 에너지 캐시 그래프 탐색을 융합하여 전수 열거 대비 $10^3\times$ 이상 낮은 비용으로 신규 소재의 지배적 반응 경로를 탐색하고, 메모리 증강 강화 루프(memory-augmented reinforcement loop)는 600개의 촉매 표면에 걸쳐 에너지 장벽 계산 성공률을 41%에서 84%로 향상시킨다. 계단형 금속, 단일 원자 촉매(SAC), 규칙적 금속간 화합물, 공공(vacancy)이 풍부한 2D 황화물 및 탄화물, 강한 금속-지지체 상호작용(SMSI) 계면을 포함한 7개의 기체-고체 벤치마크 전반에 걸쳐, 모든 CatDT 예측값은 네 자릿수의 크기 범위에서 실험값의 0.5-2배 이내에 위치한다. 프로판 탈수소화 반응에 대해, CatDT는 Pt 기반 산업 벤치마크에 필적하는 비귀금속 후보를 독립적으로 발견하였으며, 제안된 Ni@ZrO$_2$ SMSI 오버레이어는 약 100% 선택도에서 $1.63~\text{s}^{-1}$의 시뮬레이션 TOF(전환 빈도)에 도달하였다. 더 넓은 관점에서, 충실도 높은 촉매 디지털 트윈 — 또는 모든 다단계 과학 시뮬레이터 — 의 결정적 요소는 대규모 언어 모델(LLM) 자체의 원시 능력이 아니라, 그 주변에 설계된 하네스(harness), 즉 결정론적 도구, 영속적 메모리, 그리고 모델·도구·실행 전반에 걸쳐 복리적으로 누적되는 검증된 자기 개선에 있다.