본 논문에서는 대규모 언어 모델(LLM) 기반 에이전트가 화학 관련 작업에서 적절한 도구를 선택하여 성능을 향상시키는 능력을 보여주지만, 화학 도구의 고유한 예측 오류로 인해 효율성이 제한되는 문제를 다룹니다. 이를 해결하기 위해, LLM 기반 에이전트를 활용하여 도구의 예측 오류를 줄이는 방법을 제시합니다. 제안하는 ChemHAS (Chemical Hierarchical Agent Stacking)는 제한된 데이터로부터 에이전트 스태킹 구조를 최적화하여 화학 도구를 향상시키는 간단하면서도 효과적인 방법입니다. ChemHAS는 네 가지 기본적인 화학 작업에서 최첨단 성능을 달성하며, 제안된 방법이 도구의 예측 오류를 효과적으로 보상할 수 있음을 보여줍니다. 또한, 네 가지 구별되는 에이전트 스태킹 행동을 식별하고 특징을 분석하여 해석성을 향상시키고 과학 연구에서 AI 에이전트 응용의 새로운 가능성을 제시합니다. 코드와 데이터셋은 공개적으로 이용 가능합니다.
