제목: 내 연구에 필요한 데이터베이스를 직접 만들다: 화학과 학부생의 AI 활용 도구 "Stop it"

한 줄 소개: 논문 수집과 그래프 분석, 실험 데이터 처리를 연결해 연구자가 자신의 데이터베이스와 분석 환경을 직접 구축하는 도구를 개발했습니다.

팀명: Stop it
발표자: 이관도
활용 AI 도구: ChatGPT(OpenAI API), Claude

① 어떤 상황에서 AI를 활용했나요?

저는 화학을 전공하는 화학과 학부연구생입니다. 전공을 공부하고 연구 자료를 다루면서, 필요한 논문을 찾고 읽는 과정과 실험 데이터를 분석하는 과정이 여러 프로그램과 파일에 나뉘어 있다는 점에 주목했습니다.

논문을 읽고 정리하더라도 나중에 특정 실험 조건이나 그래프를 다시 찾으려면 원문을 반복해서 확인해야 합니다. 실험 데이터도 분석 방법을 정하고, 프로그램에 입력하고, 그래프를 만든 뒤 결과와 조건을 따로 보관해야 합니다.

이러한 작업을 연결하면서 내가 필요한 자료를 내가 정한 기준으로 축적하는 연구 데이터베이스를 만들고 싶었습니다. 이를 위해 ChatGPT와 Claude를 활용해 Stop it과 하위 애플리케이션인 PaperLens, 논문 다운로더를 개발했습니다.

② 어떤 AI를 어떻게 활용했나요?

[1] GPT를 이용한 코딩과 데이터 분석

원하는 기능과 실제 사용 상황을 GPT에게 설명하고, 이를 코드로 구현하는 방식으로 개발했습니다. 데이터 입력 형식, 단위 처리, 분석 방법, 그래프 출력과 저장 방식을 구체적으로 정하고, 실제 실행에서 발견한 문제를 수정했습니다.

OpenAI API는 앱의 분석 계획 수립에 연결했습니다. AI가 분석 목적에 맞는 방법과 조건을 제안하면, 수치 계산 엔진과 연결된 분석 프로그램이 실제 계산을 수행하도록 구성했습니다.

[2] 하위 에이전트와 Claude를 활용한 교차 검토

GPT의 하위 에이전트(sub-agent)를 활용해 개발과 검토 작업을 나누고, Claude와도 코드와 분석 논리를 교차 검토하는 방식을 사용했습니다. 서로 다른 검토 결과를 비교하며 누락된 조건이나 오류 가능성을 살폈습니다.

이때 AI끼리 의견이 일치했다는 이유만으로 결과를 확정하지 않습니다. 원자료와 실행 기록, 독립 계산을 함께 확인합니다.

[3] 사용자의 과학적 검토와 승인

최종 결과물은 반드시 사용자가 검토하고 승인하는 것을 원칙으로 삼았습니다. 분석 방법이 연구 목적에 적절한지, 단위와 실험 조건이 맞는지, 수치와 그래프 해석에 과학적 오류가 없는지 확인한 뒤 채택합니다.

AI는 구현과 분석을 돕고, 결과를 연구에 사용할지 결정하는 책임은 사용자에게 두었습니다.

③ 활용 결과 어떤 변화가 있었나요?

데이터 처리 시간을 줄일 수 있는 작업 흐름을 구현했습니다.
데이터 읽기, 수치 계산, 그래프 생성과 저장을 연결했습니다. 이미 계산한 결과에서 그래프만 추가로 필요할 때는 저장된 수치를 재사용하도록 해 불필요한 재계산을 줄였습니다.

합성 스펙트럼 시범 실행에서는 10만 점 × 10회 반복 계열, 총 100만 개의 세기값을 임의로 축소하지 않고 적합했습니다. 해당 시험에서 수치 적합 구간은 약 6.27초, 수치 분석부터 Origin 그래프 6개 생성과 저장까지는 약 197초가 걸렸습니다.

대량 데이터를 수작업으로 다룰 때 발생하는 오류를 줄이는 구조를 만들었습니다.
원자료를 보존하고, 단위를 계산과 출력에 전달하며, 중복 요청과 파일의 동일성을 확인하도록 구성했습니다. 복사·붙여넣기, 파일 혼동, 단위 누락과 같은 실수를 줄이고, 문제가 발생했을 때 처리 과정을 추적할 수 있도록 했습니다.

다음 분석 단계와 다양한 분석 경로를 검토할 수 있도록 했습니다.
AI를 활용해 분석 목적에 맞는 방법과 후속 분석 방향을 제안받고, 서로 다른 모델이나 조건을 비교할 수 있도록 구성했습니다. 연구자는 제안된 경로 중 자신의 실험 설계와 데이터에 맞는 방법을 선택합니다.

현재 확인한 시간 수치는 특정 환경의 합성 데이터 시험 결과입니다. 수작업 대비 시간 절감률과 실제 사용자 오류 감소율은 아직 정량적으로 측정하지 않았으며, 향후 실사용 평가에서 확인할 계획입니다.

④ 나만의 방식 또는 개선 포인트는 무엇인가요?

핵심은 ‘내가 필요한 데이터베이스를 내가 직접 만든다’는 점입니다. Stop it을 중심으로 자료 수집, 문헌 분석, 실험 데이터 처리를 연결했습니다.
- 논문 다운로더: 연구 주제와 저자 등을 기준으로 논문을 찾고, 접근 가능한 원문을 확보해 PaperLens에 연결합니다. 중복 자료와 다운로드 상태를 관리합니다.
- PaperLens: 논문과 그래프를 분석하고, 실험 조건과 해석, 원문 근거를 구조화해 보관합니다. 읽고 지나간 자료를 이후에 검색하고 비교할 수 있는 데이터베이스로 축적합니다.
- Stop it: 실험 데이터의 분석 계획, 수치 계산, 그래프 생성과 결과 보관을 연결합니다. 문헌 자료와 자신의 분석 결과를 함께 활용할 수 있는 작업 환경을 지향합니다.

연구자가 사용하는 여러 도구도 한 환경에서 연결하도록 구성했습니다. Origin의 그래프 작업, SciPy의 수치 분석, RDKit의 분자 처리, xTB의 분자 계산, ImageJ의 이미지 측정 등 서로 다른 작업을 지원 범위에 맞춰 활용합니다. 도구에 따라 직접 실행하거나 파일을 주고받는 방식으로 연결합니다.

또한 10만 점씩 10개 계열을 처리하는 시범 실행으로 개인 연구에서도 접할 수 있는 대규모 데이터의 처리 가능성을 확인했습니다. 이는 지원하는 분석 범위에서 확인한 성과이며, 모든 연구 분야나 분석법을 동일하게 처리한다는 의미는 아닙니다.

완성된 프로그램의 사용법에 자신을 맞추는 데서 나아가, 연구자가 필요한 자료 구조와 분석 흐름을 직접 정하고 개선할 수 있도록 하는 것이 목표입니다.

⑤ 다른 사람도 따라 할 수 있나요?

자신의 연구에 필요한 기능을 구체적으로 설명하는 것부터 시작할 수 있습니다.

향후 Stop it, PaperLens, 논문 다운로더의 배포 버전을 제작해 필요한 사람들이 자신의 데이터베이스를 구축할 수 있도록 제공할 계획입니다. 배포 과정에서는 사용 예제와 코드 수정 안내를 함께 정리해, 사용자가 필요한 기능을 추가하거나 다른 하위 프로그램을 연결할 수 있도록 하고자 합니다.

간단한 코드 설명과 수정안 작성은 무료 ChatGPT의 사용 한도 안에서도 도움받을 수 있습니다. 다만 배포된 앱의 모든 기능을 무료 GPT만으로 실행할 수 있다는 뜻은 아닙니다. 앱 내부의 OpenAI API 분석에는 별도의 이용 조건과 비용이 적용될 수 있으며, 복잡한 기능 연결에는 추가 검증이 필요합니다.

기본 분석 환경은 Windows에서 확보해 사용할 수 있는 무료·공개 도구를 중심으로 구성했습니다. SciPy, RDKit, Avogadro, ImageJ, xTB 등을 활용하고, Origin처럼 별도 라이선스가 필요한 프로그램은 구분해 안내할 계획입니다.

코딩을 전공하지 않았더라도 GPT에게 원하는 입력과 출력, 변경할 기능을 설명하며 작은 수정부터 시도할 수 있습니다. 수정 전 코드를 보존하고 예제 데이터로 실행 결과를 확인하는 과정을 반복하면, 자신의 연구에 맞는 도구로 발전시킬 수 있습니다.

Stop it이 지향하는 것은 연구자가 자신의 자료를 축적하고, 필요한 도구를 연결하며, 연구 방식에 맞게 계속 고쳐 쓸 수 있는 분석 환경입니다.