[논문] NeuroClaw 기술 보고서

Source: arXiv - 2604.24696v1

Overview

NeuroClaw는 신경영상 연구를 위해 특별히 구축된 다중 에이전트 AI 어시스턴트입니다. 원시 MRI, fMRI, dMRI, EEG 및 관련 데이터 형식을 즉시 처리함으로써, 복잡한 파이프라인, 환경 특이성 및 재현성 문제에 얽매이지 않고 과학에 집중할 수 있게 해줍니다.

주요 기여

• 도메인‑특화 멀티‑에이전트 프레임워크는 고수준 사용자 의도를 구체적인 신경영상 도구 호출로 변환합니다.
• 엔드‑투‑엔드 환경 관리(고정된 Python 환경, Docker 이미지, 자동 설치 프로그램, GPU 설정)로 실행마다 동일한 소프트웨어 스택을 보장합니다.
• 3계층 스킬 계층 구조(사용자 인터랙션 → 오케스트레이션 → 저수준 도구 스킬)로 모듈식이며 재사용 가능한 워크플로우 구성 요소를 제공합니다.
• NeuroBench 벤치마크는 신경영상 파이프라인의 실행 가능성, 아티팩트 유효성, 재현성 준비도를 정량화합니다.
• 감사‑준비된 실행 추적은 체크포인팅 및 실행 후 검증을 포함하여 파이프라인을 투명하게 하고 디버깅을 용이하게 합니다.

방법론

NeuroClaw는 신경영상 프로젝트를 stateful graph: 원시 데이터 → BIDS 메타데이터 → 도구 호출 시퀀스(예: FSL, ANTs, FreeSurfer) 로 간주합니다.

1. Skill Layer – 작은 원자적 에이전트가 단일 신경영상 명령을 캡슐화합니다(예: “run BET skull‑stripping”).
2. Orchestration Layer – 상위 레벨 에이전트가 데이터셋의 모달리티와 사용자의 목표에 따라 이러한 스킬을 조합합니다(예: “preprocess fMRI”).
3. Interaction Layer – 프론트엔드 채팅형 인터페이스를 통해 개발자는 자연어 질문을 할 수 있습니다(예: “Can you generate a connectivity matrix for subject 01?”).

시스템은 BIDS 사이드카 JSON 파일을 읽어 획득 파라미터를 추론하고, 자동으로 적절한 도구를 선택한 뒤 재현 가능한 환경을 갖춘 Docker container를 실행합니다. 각 단계가 끝난 후 NeuroClaw는 structured audit log(명령, 입력, 출력, 체크섬)를 기록하고, 다음 단계로 진행하기 전에 생성된 아티팩트를 NeuroBench의 기준에 따라 검증합니다.

결과 및 발견

• 세 개의 멀티모달 대형 언어 모델(LLMs) 전반에 걸쳐, NeuroClaw‑보강 실행은 원시 LLM 프롬프트에 비해 15‑30 % 높은 NeuroBench 점수를 달성했으며, 이는 실행 신뢰성과 아티팩트 품질이 향상되었음을 나타냅니다.
• 재현성 테스트(새로운 머신에서 동일 파이프라인을 다시 실행)에서 98 %의 경우 동일한 출력이 나타났으며, 이는 고정된 환경과 결정론적 Docker 이미지 덕분입니다.
• 체크포인트 시스템은 디버깅 시간을 약 40 % 감소시켰으며, 개발자는 전체 파이프라인을 다시 실행하는 대신 마지막 성공 단계부터 재개할 수 있었습니다.

Practical Implications

• Accelerated prototyping – 연구자들은 단일 채팅 명령으로 전체 전처리 파이프라인을 즉시 구축할 수 있어, 수주에 걸리던 스크립팅을 몇 분으로 단축합니다.
• Consistent CI/CD for neuroimaging – 팀은 NeuroClaw를 자동화 테스트 스위트에 통합하여, 모든 커밋이 병합 전에 재현 가능한 뇌 지도를 생성하도록 보장합니다.
• Lower barrier to entry – 신규 연구원이나 외부 협력자는 FSL/AFNI/FreeSurfer 명령줄의 복잡한 세부 사항을 깊이 알지 못해도 복잡한 분석을 실행할 수 있습니다.
• Audit‑ready publications – 생성된 실행 추적은 많은 학술지 및 연구비 기관의 재현성 요구사항을 충족시켜, 데이터 공유 의무를 간소화합니다.

제한 사항 및 향후 작업

• NeuroClaw는 현재 BIDS‑표준화된 모달리티를 지원합니다; 이외의 특수하거나 독점적인 포맷은 먼저 수동으로 변환해야 합니다.
• 벤치마크는 실행 가능성 및 아티팩트 유효성에 초점을 맞추지만, 과학적 유효성(예: 통계적 검정력)은 사용자에게 맡겨집니다.
• 대규모 클라우드 클러스터로 확장하고 Airflow 또는 Nextflow와 같은 워크플로우 관리자를 통합하는 것이 다음 릴리스에 계획되어 있습니다.
• 향후 연구에서는 자체 최적화 오케스트레이션을 탐구할 예정이며, 시스템이 하드웨어 및 데이터셋 특성을 기반으로 가장 빠른 툴체인 구성을 자동으로 선택하도록 학습합니다.

저자

• Cheng Wang
• Zhibin He
• Zhihao Peng
• Shengyuan Liu
• Yufan Hu
• Lichao Sun
• Xiang Li
• Yixuan Yuan

논문 정보

• arXiv ID: 2604.24696v1
• 카테고리: cs.CV
• 출판일: 2026년 4월 27일
• PDF: Download PDF