Active Learning Enables Generation of Molecules that Advance the Known Pareto Front

새로운 분자를 찾는 과정은 태양전지부터 생명을 구하는 의약품에 이르기까지 모든 것을 위한 완벽한 구성 요소를 찾아가는 탐구입니다. 수십 년 동안 과학자들은 알려진 화학 물질의 방대한 디지털 라이브러리에 의존하여, 적절한 특성을 가진 물질을 찾기 위해 이들을 하나씩 스크리닝해 왔습니다. 하지만 가능한 분자의 세계는 너무나 광대하여—그 수는 밤하늘의 별보다 훨씬 많은 것으로 추정되는데—이들을 모두 확인하는 것은 불가능합니다. 최근, 컴퓨터 프로그램을 사용하여 특정하고 바람직한 특성을 갖도록 설계된 완전히 새로운 분자를 처음부터 발명하는 새로운 접근 방식이 등장했습니다. 사람들은 이러한 인공지능 시스템이 끝없는 화학적 공간을 항해하며 인간의 데이터베이스에는 존재하지 않았던 해결책을 찾아낼 수 있기를 기대했습니다.

하지만 한 가지 고질적인 문제가 이 디지털 발명가들이 그들의 잠재력에 도달하는 것을 가로막아 왔습니다. 이들은 익숙한 아이디어를 재조합하는 데는 뛰어나지만, 진정으로 미지의 영역으로 나아가라는 요청을 받으면 종종 비틀거립니다. 문제는 발명가들에게 상상력이 부족한 것이 아니라, 그들이 만든 창작물을 판단하는 도구가 학습 범위를 벗어난 영역에서 신뢰할 수 없다는 점입니다. 컴퓨터 프로그램이 새로운 분자를 제안하면, 또 다른 프로그램가 그 거동을 예측해야 합니다. 만약 이 예측 도구가 흔한 사례들만 접해왔다면, 정말 새로운 것에 직면했을 때 정확하게 추측하는 데 실패할 가능성이 높으며, 이는 발명가를 막다른 길로 인도하게 됩니다. 로런스 리버모어 국립연구소의 연구진은 이제 이 사각지대를 해결하는 방법을 보여주었습니다. 컴퓨터의 예측치를 엄격한 물리 시뮬레이션을 통해 지속적으로 검증하는 자기 수정 루프를 만듦으로써, 그들은 시스템이 단순히 새로운 것일 뿐만 아니라 기존 기록보다 현저히 더 나은 분자들을 발견할 수 있도록 했습니다.

연구진은 특정 과제에 집중했습니다. 바로 밀도가 높으면서도 에너지를 저장할 수 있는 분자를 설계하는 것이었는데, 이는 첨단 소재에 있어 매우 중요한 특성입니다. 그들은 새로운 화학 구조를 생성할 수 있는 표준 컴퓨터 프로그램을 기반으로 시작했습니다. 일반적인 설정에서는 이 생성기가 분자를 만들면, 별도의 예측 모델이 그 특성을 추정합니다. 그 추정치를 바탕으로 생성기는 설계를 수정하고 다시 시도합니다. 그러나 연구진은 이 과정이 벽에 부딪힌다는 것을 발견했습니다. 기존 데이터로만 학습된 예측 모델은 자신이 이전에 보았던 것과 너무 다른 분자들을 정확하게 판단할 수 없었습니다. 결과적으로, 생성기는 진정으로 우수한 설계를 찾기 위해 멀리 나아가지 못했고, 사실상 알려진 세계의 안전함 속에 머물게 되었습니다.

이 순환을 끊기 위해 연구진은 '현실 점검' 역할을 하는 '폐쇄 루프(closed-loop)' 시스템을 도입했습니다. 초기 예측 모델에만 의달하는 대신, 컴퓨터가 생성한 모든 후보 분자가 고충실도 물리 시뮬레이션의 대상이 되는 프로세스를 구축했습니다. 양자 역학의 법칙에 기반한 복잡한 계산인 이 시뮬레이션은 분자의 실제 밀도, 에너지 및 안정성을 결정합니다. 결정적으로, 이러한 시뮬레이션 결과는 단순히 버려지는 것이 아니라 예측 모델을 재학습시키기 위해 시스템에 다시 입력됩니다. 테스트를 거듭할수록 예측 모델은 생성기가 탐색하고 있는 새로운 화학적 영역에 대해 더 많이 배우게 됩니다. 모델은 이전에 어려움을 겪었던 바로 그 요소들을 판단하는 데 점점 더 능숙해지며, 이를 통해 생성기는 더 큰 확신을 가지고 미개척지로 더 멀리 나아갈 수 있게 됩니다.

이 반복적인 과정은 혁신적인 결과를 가져왔습니다. 표준 컴퓨터 모델은 학습 데이터 내의 최선 사례들을 능가하는 분자를 전혀 만들어내지 못했지만, 새로운 폐쇄 루프 시스템은 성공했습니다. 이 자기 수정 주기를 네 차례 거친 후, 시스템은 2g/cm³를 초과하는 밀도를 가진 분자들을 생성해냈으며, 이는 10,000개가 넘는 기존 데이터셋에서 발견된 가장 높은 밀도를 넘어선 것입니다. 또한, 시스템은 이전에는 가능하다고 생각했던 한계를 밀어붙이는 에너지 저장 능력을 갖춘 분자들을 발견했습니다. 이 연구는 이러한 돌파구의 핵심이 더 똑똑한 생성기가 아니라, 더 신뢰할 수 있는 판단자였다는 것을 입증했습니다. 새로운 시뮬레이션 데이터로 재학습된 예측 모델은 이러한 새로운 구조들을 평가할 때 오류를 최대 90%까지 줄이며 극적으로 정확해졌습니다.

분자 발견의 또 다른 중요한 장애물은 컴퓨터가 생성한 설계가 실제로 실험실에서 만들어질 수 있는지 확인하는 것입니다. 많은 이론적 분자들은 화학적으로 불안정하여 즉시 분해될 수 있습니다. 연구진은 물리 시뮬레이션의 데이터를 사용하여 불안정성의 징후를 인식하는 특화된 분류기를 학습시킴으로써 이 문제를 해결했습니다. 후보들이 생성되기도 전에 불안정한 것들을 걸러냄으로써, 시스템은 다른 선도적인 방법들보다 안정적일 확률이 3.5배 더 높은 최종 분자 세트를 생산했습니다. 이러한 안정성은 매우 중요한데, 이는 이 분자들이 단순한 이론적 호기기적 존재가 아니라 실제 합성 가능성이 있는 후보임을 시사하기 때문입니다.

이 연구 결과는 우리가 새로운 소재를 발견하는 방식에 대한 변화를 시사합니다. 연구는 더 나은 분자를 만드는 데 있어 병목 현상이 발생하는 지점은 종 often 새로운 구조를 상상하는 능력이 아니라, 그 거동을 신뢰성 있게 예측하는 능력임을 보여줍니다. 생성 모델의 창의적인 힘을 엄격하고 자기 개선적인 검증 과정과 결합함으로써, 연구진은 알려진 화학적 성능의 경계를 신뢰성 있게 확장하는 것이 가능하다는 것을 보여주었습니다. 그 결과는 단순히 오래된 아이디어를 재활용하는 것이 아니라, 기존의 방식으로는 닿을 수 없는 곳에 있는 안정적이고 고성능인 분자들을 찾아내어 가능성의 지평을 적극적으로 넓히는 시스템입니다.