🤖 machine learning

Thermodynamically consistent machine learning model for excess Gibbs energy

본 논문은 물리 법칙을 엄격한 제약 조건으로 통합하고 기하학적 투영 방법을 활용하여 분자 구조로부터 직접 다성분 액체 혼합물의 과잉 깁스 에너지를 정확하게 예측하는 열역학적 일관성을 갖춘 머신러닝 모델인 HANNA 를 소개하며, 이는 정확도와 적용 영역 모두에서 최첨단 벤치마크를 능가합니다.

원저자: Marco Hoffmann, Thomas Specht, Quirin Göttl, Jakob Burger, Stephan Mandt, Hans Hasse, Fabian Jirasek

게시일 2026-04-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Marco Hoffmann, Thomas Specht, Quirin Göttl, Jakob Burger, Stephan Mandt, Hans Hasse, Fabian Jirasek

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

마스터 셰프가 재료를 섞기 전에 새로운 수프의 맛을 정확히 예측한다고 상상해 보세요. 화학과 공학의 세계에서는 이 "수프"가 액체 혼합물이며, "맛"은 과잉 깁스 에너지 (excess Gibbs energy) 라는 복잡한 성질을 의미합니다. 이 값은 엔지니어들에게 혼합물 내 분자들이 어떻게 행동할지, 즉 기꺼이 섞일지, 기름과 물처럼 층으로 분리될지, 아니면 특정 온도에서 끓을지를 알려줍니다.

수십 년 동안 새로운 혼합물의 이러한 행동을 예측하는 것은 경직된 오래된 레시피 책을 이용해 수프의 맛을 추측하는 것과 같았습니다. 만약 레시피 책에 "토마토와 바질"에 대한 구체적인 항목이 없다면, 당신은 막혀버렸습니다.

이 논문은 인공 지능 (머신 러닝) 으로 구축된 새로운 "스마트 셰프"인 HANNA 를 소개합니다. HANNA 는 분자의 "재료" (화학 구조) 만 알면 어떤 혼합물이든 이러한 행동을 예측할 수 있습니다.

다음은 HANNA 가 작동하는 방식을 간단한 비유로 설명한 것입니다:

1. 오래된 "레시피 책"의 문제점

전통적인 방법들 (UNIFAC 등) 은 미리 작성된 레시피의 도서관과 같습니다. 이전에 본 재료들을 섞는다면 매우 잘 작동합니다. 하지만 새로운 재료 (희귀 화학 물질이나 이온성 액체 등) 를 도입하면, 도서관에는 이에 대한 항목이 없어 예측이 실패합니다. 또한 이러한 방법들은 종종 "고집이 세서" 온도에 따라 다르게 행동하는 혼합물을 설명하려면 레시피 전체를 다시 써야 할 정도로 유연하지 못합니다.

2. HANNA: 유연하고 규칙을 따르는 셰프

HANNA 는 다릅니다. 레시피 목록을 외우는 대신, 분자들이 상호작용하는 방식을 지배하는 물리 법칙을 학습합니다.

입력: HANNA 에게 분자의 "청사진" (SMILES 라는 코드로 작성된 화학 구조) 과 조건 (온도와 각 성분의 양) 을 제공합니다.
두뇌: 이는 신경망이라는 유형의 인공 지능을 사용하지만 특별한 변형이 가해졌습니다. 단순히 추측하는 것이 아니라, 열역학 법칙이 하드웨어에 내장되어 있습니다. 마치 맛의 법칙에 대해 너무 잘 훈련되어 물리 법칙을 위반하는 요리를 할 수 없는 셰프와 같습니다. 수학적으로 혼합물이 반드시 두 층으로 분리되어야 한다면, HANNA 는 그 분리를 예측하도록 강제됩니다. 규칙을 깨는 결과를 "환각"할 수 없습니다.

3. "대체 솔버 (Surrogate Solver)": 답으로 가는 지름길

가장 예측하기 어려운 것 중 하나는 혼합물이 두 층으로 분리될 때 (액체 - 액체 평형) 입니다. 보통 이를 해결하려면 한 올 한 올 짚을 확인하며 바늘을 찾는 것처럼 느리고 반복적인 계산이 필요합니다.

혁신: 저자들은 대체 솔버를 구축했습니다. 바늘 찾기 과정을 수천 번 지켜본 매우 숙련된 조수라고 상상해 보세요. 조수는 느린 작업을 대신하지 않고, 짚더미를 보자마자 바늘이 있는 곳을 즉시 가리킵니다. HANNA 는 이 조수를 사용하여 이전보다 훨씬 빠르고 정확하게 실험 데이터에서 학습합니다.

4. "기하학적 투영": 쌍에서 군중으로

HANNA 는 주로 쌍 (이원계 혼합물) 의 화학 물질 데이터로 훈련되었습니다. 하지만 현실 세계에서는 종종 세 가지, 네 가지, 혹은 그 이상의 화학 물질을 한 번에 섞습니다.

기법: HANNA 는 기하학적 투영을 사용합니다. 두 사람 (화학 물질 A 와 B) 이 어떻게 지내는지, 그리고 다른 두 사람 (화학 물질 C 와 D) 이 어떻게 지내는지 정확히 안다고 가정해 보세요. HANNA 는 이러한 쌍별 관계를 복잡한 다수의 사람 군중 속으로 투영하는 수학적 "지도"를 사용합니다. 모든 가능한 5 인 그룹이 어떻게 상호작용하는지 배울 필요 없이, 쌍들이 어떻게 상호작용하는지에 기반하여 계산합니다. 이를 통해 HANNA 는 이전에 본 적 없는 복잡한 혼합물의 행동을 예측할 수 있습니다.

5. 결과: 더 정확하고 광범위함

저자들은 HANNA 를 현재의 "금표준 (modified UNIFAC)" 및 기타 AI 모델과 비교 테스트했습니다.

정확도: HANNA 는 혼합물의 행동을 예측하는 데 더 정확했으며, 특히 한 화학 물질의 극미량 (무한 희석) 이 다른 거대한 풀에 섞인 경우나 액체 - 액체 분리 같은 까다로운 사례에서 두드러졌습니다.
다용도성: 새로운 화학 물질이 도입되면 오래된 레시피 책들은 실패하지만, HANNA 는 분자 청사진만 있으면 이를 처리할 수 있습니다. HANNA 는 실온에서 액체인 복잡한 염인 이온성 액체를 포함한 혼합물의 행동을 성공적으로 예측했는데, 이는 기존 모델들이 처리하기 매우 어려웠던 부분입니다.
일관성: 물리 법칙을 위반하는 것처럼 보이는 결과를 내놓을 수 있는 다른 AI 모델들과 달리, HANNA 는 열역학적으로 일관성이 보장됩니다.

요약

간단히 말해, 이 논문은 열역학의 오라클 역할을 하는 머신 러닝 모델 HANNA를 제시합니다. 이는 현대 AI 의 유연성과 물리의 엄격한 규칙을 결합합니다. HANNA 는 간단한 화학 물질 쌍에 대한 실험 데이터에서 학습하고, 교묘한 수학적 투영을 사용하여 복잡하고 다성분 혼합물의 행동을 예측합니다. 이는 현재 산업 표준보다 더 정확하며, 기존 방법들이 모델링 시도조차 하지 못했던 화학 물질들을 포함하여 훨씬 더 다양한 화학 물질을 처리할 수 있습니다.

저자들은 이 "스마트 셰프"와 그 코드를 공개하여, 엔지니어들이 새로운 용제 생성부터 산업적 분리 기술 최적화에 이르기까지 더 나은 화학 공정을 설계하는 데 이를 사용할 수 있도록 했습니다.

"Thermodynamically consistent machine learning model for excess Gibbs energy" 논문에 대한 Hoffmann 등 의 상세한 기술적 요약입니다.

1. 문제 제기

몰 과잉 깁스 에너지 ( $g^E$ ) 와 유도된 활동도 계수 ( $\gamma_i$ ) 의 정확한 예측은 상 평형 (기 - 액 평형 - VLE, 액 - 액 평형 - LLE) 과 반응 속도론을 모델링하는 화학 공학의 기초입니다.

현재의 한계:
- 물리 기반 모델 (NRTL, UNIQUAC): 이진 상호작용 매개변수를 맞추기 위해 광범위한 실험 데이터가 필요합니다. 연구되지 않은 성분이나 이진 데이터가 부족한 시스템의 특성을 예측할 수 없습니다. 단일 매개변수 세트로 VLE 와 LLE 를 동시에 기술하는 데 종종 어려움을 겪습니다.
- 군 기여법 (UNIFAC): 분자를 기능성 군으로 분해하여 매개변수를 줄이지만, 사전 매개변수화된 군에 국한되며 복잡한 시스템 (예: 이온성 액체) 이나 VLE/LLE 동시 기술에 어려움을 겪습니다.
- 양자 화학적 방법 (COSMO-RS/SAC): 계산 비용이 많이 들며 정확도는 선택된 DFT 수준에 크게 의존합니다.
- 기존 ML 모델: 많은 최근의 그래프 신경망 (GNN) 접근법은 엄격한 열역학적 일관성 (예: 깁스 - 더함 방정식 위반) 이 부족하거나 특정 조건 (예: 무한 희석만, 고정 온도, 또는 이진 시스템만) 으로 제한됩니다.

핵심 과제: 분자 구조만으로 임의의 혼합물 (연구되지 않은 성분을 포함) 에 대한 $g^E$ 와 활동도 계수를 예측하면서 모든 열역학적 일관성 법칙을 엄격히 준수하는 유연한 머신러닝 모델을 개발하는 것입니다.

2. 방법론: HANNA 모델

저자들은 물리 법칙을 강제 제약 (hard constraints) 으로 신경망 아키텍처에 직접 통합하는 딥러닝 프레임워크인 HANNA(Hybrid Architecture for Neural Network Activity) 를 소개합니다.

A. 아키텍처 및 입력

입력: 분자 구조 (SMILES 문자열), 온도 ( $T$ ), 몰 분율 ( $x$ ).
임베딩: SMILES 문자열은 사전 훈련된 트랜스포머 모델 ChemBERTa-2를 사용하여 처리되어 분자 임베딩을 생성합니다.
네트워크 구조: HANNA 는 세 개의 피드포워드 신경망 (FFNN) 을 활용합니다:
1. 임베딩 네트워크: 분자 임베딩을 정제합니다.
2. 혼합물 네트워크: 성분 간 상호작용을 처리합니다.
3. 속성 네트워크: 이진 상호작용 항을 계산합니다.
강제 제약: 아키텍처는 다음을 강제합니다:
- 치환 동등성 (Permutation Equivariance): 출력 순서가 입력 성분 순서와 일치합니다.
- 순수 성분 한계: 순수 성분에 대해 활동도 계수는 1 에 수렴합니다.
- 깁스 - 더함 일관성: 활동도 계수는 예측된 $g^E$ 의 자동 미분을 통해 유도되어 수학적 일관성을 보장합니다.
- 동일 성분 처리: 동일한 성분을 묶어 순수 물질에 대해 $g^E = 0$ 이 되도록 하는 반경 기반 함수 (RBF) 유사도 점수가 사용됩니다.

B. 다성분 외삽

추가 매개변수 없이 이진 훈련 데이터에서 다성분 혼합물로 확장하기 위해 HANNA 는 기하학적 투영법 (Muggianu 투영) 을 사용합니다.

$N$ 성분 혼합물의 몰 분율은 모든 $N(N-1)/2$ 개의 이진 하위 시스템으로 투영됩니다.
총 $g^E$ 는 이진 하위 시스템 기여도의 가중 합으로 계산됩니다.
이를 통해 모델은 이진 데이터만으로 훈련되더라도 3 성분 및 4 성분 시스템을 예측할 수 있습니다.

C. 훈련 전략 및 손실 함수

HANNA 는 46,543 개의 시스템을 다루는 도르트문트 데이터 은행 (DDB) 의 대규모 데이터셋에서 엔드 투 엔드로 훈련됩니다. 훈련은 복합 손실 함수 ( $L_{total}$ ) 를 최소화합니다:

데이터 손실:
- VLE (TPXY/TPX): 활동도 계수 또는 총 압력을 예측합니다.
- 무한 희석 (ACI): $\gamma^\infty$ 를 예측합니다.
- 과잉 엔탈피 ( $H^E$ ): 온도에 대한 $g^E$ 의 자동 미분을 통해 유도됩니다.
- LLE (액 - 액 평형): 이것이 주요 혁신입니다. LLE 는 반복적으로 비선형 방정식을 풀어야 하므로 (기울기 흐름을 끊음), 저자들은 미분 가능한 대리 솔버 (differentiable surrogate solver) 를 개발했습니다. 이 솔버는 신경망을 사용하여 볼록 포락선 방법 (CEM) 을 모방하여 혼합 깁스 에너지 ( $\Delta g_{mix}$ ) 를 직접 상 조성 ( $x', x''$ ) 에 매핑합니다.
깁스 손실 ( $L_{Gibbs}$ ): 모델이 혼화성 갭을 예측하지 못할 경우 (즉, $\Delta g_{mix}$ 의 2 차 미분값이 필요한 곳에서 음수가 아닐 경우) 모델을 처벌하는 물리에서 영감을 받은 손실 항입니다.
리프시츠 정규화 ( $L_{Lips}$ ): 예측된 $g^E$ 함수의 매끄러움을 강제하여 견고성과 외삽 능력을 향상시킵니다.

3. 주요 기여

강제 제약으로서의 열역학적 일관성: HANNA 는 모든 관련 열역학적 제약 (깁스 - 더함, 무한 희석 한계, 치환 대칭) 을 네트워크 아키텍처에 엄격히 내장한 최초의 모델로, 소프트 페널티에 의존하지 않습니다.
엔드 투 엔드 LLE 훈련: 미분 가능한 대리 솔버의 개발로 인해 ML 모델을 실험적 LLE 상 조성 데이터로 직접 훈련할 수 있게 되었으며, 이는 반복 솔버의 필요성으로 인해 이전에는 딥러닝에 어려웠던 작업이었습니다.
보편적 적용 가능성: UNIFAC 과 달리 HANNA 는 군 매개변수화가 필요 없습니다. 분자 구조가 알려진 모든 혼합물, including 이온성 액체 및 복잡한 시스템에 대한 특성을 예측할 수 있습니다.
동시 VLE/LLE 기술: 모델은 단일 매개변수화로 기 - 액 및 액 - 액 평형을 모두 성공적으로 기술하여 UNIQUAC 와 같은 전통적 모델의 주요 한계를 극복합니다.
오픈 소스: 모델, 코드, 그리고 대화형 웹 인터페이스 (MLPROP) 가 공개되어 있습니다.

4. 결과

모델은 훈련 중 제외된 보지 못한 테스트 시스템에서 평가되었으며, 수정된 UNIFAC (Dortmund) 및 기타 ML 벤치마크 (GE-GNN, GDI-GNN, SolvGNN) 와 비교되었습니다.

UNIFAC 대비 정확도:
- 이진 시스템: HANNA 는 VLE, ACI 및 LLE 에 대한 평균 절대 오차 (MAE) 에서 수정된 UNIFAC 보다 우수합니다. 특히 ACI 의 중앙값 MAE 는 UNIFAC 의 0.18 에서 HANNA 의 0.11 로 감소했습니다.
- 다성분 시스템: HANNA 는 3 성분 혼합물에 대해 우수하거나 동등한 정확도를 유지합니다.
- LLE 감지: HANNA 는 이진 LLE 시스템의 89% (UNIFAC 은 74%) 및 3 성분 LLE 시스템의 98% 에서 혼화성 갭을 올바르게 식별합니다.
적용성:
- HANNA 는 UNIFAC 이 군 매개변수 누락으로 인해 실패하는 이온성 액체 및 복잡한 분자를 포함하는 시스템에 대한 특성을 성공적으로 예측합니다.
- 연구되지 않은 성분을 포함한 더 넓은 화학 공간을 커버합니다.
다른 ML 모델과의 비교:
- HANNA 는 정확도와 적용성 측면에서 다른 ML 모델 (GE-GNN, SolvGNN 등) 을 크게 능가합니다.
- 이진 시스템, 고정 온도, 또는 무한 희석으로 제한된 다른 ML 모델과 달리, HANNA 는 임의의 $N$ 성분 혼합물 및 온도/조성 의존성을 처리합니다.
정성적 성능: 모델은 상부 및 하부 임계 용해 온도 (island-type miscibility gaps) 와 이종 공비체 (heteroazeotropes) 를 포함한 복잡한 상 거동을 정확하게 예측합니다.

5. 중요성 및 영향

패러다임 전환: HANNA 는 "데이터에 매개변수를 맞추는 것"에서 "데이터에서 물리 법칙을 학습하는 것"으로의 전환을 나타냅니다. 신경망이 유연성을 희생하지 않고도 열역학을 준수하도록 제약될 수 있음을 보여줍니다.
산업적 유용성: 새로운 실험 적합 없이 연구되지 않은 시스템 (예: 새로운 용매, 이온성 액체) 에 대한 정확한 예측을 제공함으로써 HANNA 는 공정 설계, 용매 선정 및 재료 발견을 가속화합니다.
방법론적 진전: LLE 를 위한 대리 솔버와 기하학적 투영 전략은 복잡한 물리 제약을 딥러닝 워크플로우에 통합하기 위한 새로운 도구를 제공합니다.
미래 전망: 저자들은 훈련을 고체 - 액 평형 (SLE) 으로 확장하고 투영 방법을 정교화하기 위해 3 성분 데이터를 직접 통합할 계획을 가지고 있습니다.

요약하자면, HANNA 는 딥러닝의 일반화 능력과 물리 법칙의 엄격한 일관성을 결합하여 예측 열역학의 새로운 최첨단 (state-of-the-art) 을 설정하며, 수십 년 된 산업 표준을 능가하면서도 더 넓은 적용 가능성을 제공합니다.