범용 대규모 언어 모델(Large Language Model, LLM)이 숙련된 화학자만큼 정밀하게 분자를 설계할 수 있을까요? 현재의 LLM 기반 프레임워크는 생성, 점수 산정, 거부로 이어지는 스칼라 피드백 루프(scalar feedback loops)를 통해 이 질문에 답하고 있으며, 이는 정보에 기반한 시행착오(trial-and-error)에 해당합니다. 본 연구에서는 단일 숫자를 제1원리 계산(first-principles calculations)으로부터 도출된 완전한 물리화학적 근거(physicochemical rationale)로 대체함으로써, LLM을 확률적 샘플러(stochastic sampler)에서 인과적 추론기(causal reasoner)로 변모시킬 수 있음을 보여줍니다. 우리의 시스템은 검색 증강 생성(Retrieval-Augmented Generation, RAG)을 자기 성찰(self-reflection) 모듈과 결합하여, 압축된 점수 대신 오비탈 에너지(orbital energies), 원자 전하(atomic charges), 전자 밀도(electron densities)를 설계 루프에 다시 입력합니다. 1.0에서 5.0 eV 사이의 HOMO-LUMO 갭(gap) 목표치에 대해, 이러한 구조-물성 관계(Structure-Property Relationship, SPR) 성찰은 0.0003 eV만큼 낮은 편차를 달성하였으며, 중간 난이도 작업에서 100%의 성공률을 기록하여 스칼라 피드백 및 비성찰적 베이스라인(baselines)을 결정적으로 능가했습니다. 이 프레임워크는 쌍극자 모멘트(dipole-moment) 설계로 매끄럽게 일반화되며, 5개의 서로 다른 LLM 백본(backbones) 전반에서 견고함을 입증했습니다. 이러한 결과는 새로운 패러다임을 구축합니다. 모델이 분자가 실패했다는 사실뿐만 아니라 그 이유까지 이해할 때, 반복적인 분자 설계는 진정으로 기계론적(mechanistic)이 됩니다.