최저 에너지 표면-흡착물 구성(surface-adsorbate configuration)을 식별하는 것은 불균일 촉매 작용(heterogeneous catalysis) 모델링에 매우 중요하지만, 제일원리 계산(ab initio calculations)을 통한 전수 조사는 계산 비용이 너무 많이 듭니다. 머신러닝 힘의 장(Machine-learning force fields, MLFFs)은 구조 완화(structural relaxation)를 가속화하지만, 방대한 구성 공간(configurational space)에 대한 탐색은 여전히 주요 병목 현상으로 남아 있으며, 오픈 루프(open-loop) 대규모 언어 모델(Large Language Model, LLM) 에이전트는 잘못된 초기 추측을 수정할 수 있는 물리 기반 피드백 메커니즘이 부족합니다. 우리는 MLFF 완화 피드백을 통해 자율적인 오류 수정을 가능하게 하는 폐쇄 루프(closed-loop) 멀티 에이전트 프레임워크인 AdsMind (Adsorption configuration discovery with Machine intelligence and relaxation feedback)를 제안합니다. 네 가지 LLM 백엔드 전반에 걸쳐, AdsMind는 AA20 및 OCD-GMAE62 벤치마크에서 각각 100%와 98.8%의 성공률을 기록하며 일관되게 높은 탐색 신뢰성을 달성했습니다. 단일 패스(1-Shot) 어블레이션(ablation)과 비교했을 때, AdsMind는 백엔드 간 에너지 분산을 줄이며, 사례당 각각 4.11회 및 4.67회의 MLFF 완화만을 사용합니다. 이는 휴리스틱 열거(heuristic enumeration) 베이스라인 대비 약 14배 감소한 수치입니다. 6개의 대표적인 AA20 시스템에 대해 VASP/PBE를 사용한 밀도 범함수 이론(Density functional theory, DFT) 검증 결과, 기존의 오픈 루프 Adsorb-Agent 출력은 분자 흡착물에 대해 정성적인 흡착 에너지 부호 오류를 보이는 반면, AdsMind는 테스트된 모든 사례에서 정확한 부호를 유지하며 정량적으로도 더 높은 일치도를 보였습니다. 따라서 AdsMind는 신뢰성, 자기 성찰(self-reflection), 해석 가능성(interpretability)을 동시에 제공하여, 보다 DFT 정보에 기반한 자율 화학 워크플로를 지원합니다.