A chemical language model for reticular materials design

이 논문은 유기 링커를 표적 생성하여 역설계를 가능하게 하는 화학 언어 모델 'Nexerra-R1'을 소개함으로써, 계산적 설계에서 실험적으로 합성 가능한 금속 - 유기 골격체 (MOF) 로의 직접적인 전환을 가능하게 하는 새로운 패러다임을 제시합니다.

핵심

이 논문은 '새로운 재료를 만드는 방식'을 완전히 바꿀 수 있는 인공지능 도구에 대한 이야기입니다.

기존에 과학자들이 새로운 재료 (특히 금속-유기 골격체, MOF) 를 찾을 때는 마치 '눈으로만 보고 감으로 찍어서' 실험을 반복하는 방식이었습니다. 하지만 이 방법은 너무 느리고, 우리가 만들 수 있는 재료의 vast 한 가능성 중 극히 일부만 탐구할 뿐이었습니다.

이 논문은 이를 해결하기 위해 **'넥서라 R1 (NexerraR1)'**이라는 인공지능을 소개합니다. 이를 이해하기 쉽게 몇 가지 비유로 설명해 드릴게요.

---

1. 레고 블록과 건축가 (기존 방식 vs 새로운 방식)

• 기존 방식 (감에 의존):
  imagine 하세요. 레고로 성을 짓고 싶은데, 레고 블록들이 수만 개 쌓여 있는 창고에 있습니다. 과학자들은 "어떤 블록을 쓰면 성이 튼튼할까?"라고 추측하며, 하나씩 집어와서 붙여보고, 안 되면 다시 떼고, 또 다른 걸 붙여보는 식으로 실험을 반복합니다. 이 방법은 시간이 너무 오래 걸리고, 정말 멋진 성을 찾을 확률은 매우 낮습니다.

• 넥서라 R1 의 방식 (역설계):
  이제 이 인공지능은 **"우리가 원하는 성 (기능) 을 먼저 정하면, 그 성을 지을 최적의 레고 블록을 자동으로 설계해준다"**는 것입니다.

  • 핵심 아이디어: 인공지능이 전체 성을 처음부터 그리는 게 아니라, **성벽을 이루는 '개별 벽돌 (연결자)'**을 먼저 설계합니다.
  • 왜 중요할까요? 레고 블록 하나만 바꿔도 성의 모양과 기능이 완전히 달라지기 때문입니다. 이 AI 는 수만 가지 벽돌 패턴을 학습해서, 우리가 원하는 목적 (예: 가스를 저장하거나 물을 모으는 것) 에 딱 맞는 새로운 벽돌을 만들어냅니다.

2. 이 AI 는 어떻게 작동할까요? (세 가지 단계)

이 AI 는 마치 유능한 요리사처럼 세 단계로 작동합니다.

① 레시피 학습 (학습 단계)

AI 는 기존에 알려진 수만 개의 '벽돌 (분자)' 레시피를 공부합니다. 어떤 모양의 벽돌이 어떻게 조합되면 튼튼한지, 어떤 재료가 어떤 기능을 하는지 통계적으로 학습합니다. 이때 SELFIES라는 특별한 언어를 사용하는데, 이는 AI 가 엉뚱한 (화학적으로 불가능한) 벽돌을 만들지 않도록 '문법 규칙'을 지켜주는 역할을 합니다.

② 두 가지 요리법 (설계 모드)

AI 는 두 가지 방식으로 새로운 벽돌을 만듭니다.

• 직접 설계 (Direct Design): "이런 모양의 벽돌을 좀 더 다양하게 만들어줘"라고 하면, AI 는 비슷한 모양의 벽돌들을 무작위로 변형시켜 새로운 버전을 쏟아냅니다. (예: MOF-5 라는 유명한 성을 지을 때 쓰던 벽돌을 조금씩 변형해서 더 좋은 성능의 벽돌 찾기)
• 틀에 얽매인 설계 (Scaffold-constrained): "이 **핵심 뼈대 (Scaffold)**는 절대 건드리지 말고, 그 주변에 붙는 **팔 (Arms)**만 바꿔줘"라고 지시합니다. 예를 들어, 포르피린 (혈액의 헤모글로빈과 비슷한 고리 모양) 이라는 핵심 뼈대는 그대로 두고, 그 주변에 붙는 기능성 팔만 AI 가 창의적으로 디자인합니다. 이렇게 하면 성의 기본 구조는 유지하면서 내부 기능을 바꿀 수 있습니다.

③ 목표에 맞는 맛내기 (Flow-guided Design)

단순히 새로운 벽돌을 만드는 것만으로는 부족합니다. "가스를 더 많이 저장하는 벽돌"처럼 구체적인 목표가 필요합니다.

• AI 는 **흐름 (Flow)**이라는 개념을 사용합니다. 마치 강물이 낮은 곳에서 높은 곳으로 흐르듯, AI 는 학습한 데이터의 분포를 목표하는 방향 (예: 더 긴 벽돌, 더 가벼운 벽돌) 으로 밀어붙입니다.
• 이 과정을 통해 AI 는 기존 데이터에는 없던, 하지만 우리가 원하는 성능 (예: 메탄 가스 저장량 87% 증가) 을 가진 '초능력 벽돌'을 찾아냅니다.

3. 실제 성과: 컴퓨터에서 만든 성을 실제로 지었다!

이론만으로는 부족하죠? 연구진은 이 AI 가 설계한 벽돌을 실제로 실험실에서 합성해 보았습니다.

• CU-525 라는 새로운 재료: AI 가 컴퓨터상에서 완전히 새로 설계한 벽돌을 바탕으로, 실제로 CU-525라는 새로운 금속-유기 골격체를 만들었습니다.
• 결과: 이 재료의 구조를 X 선으로 분석해 보니, AI 가 예측한 대로 완벽하게 작동했습니다. 즉, **"컴퓨터에서 설계한 대로 실제로 만들어졌다"**는 것을 증명한 것입니다.

4. 왜 이 연구가 중요한가요? (일상적인 비유)

이 연구는 재료 과학의 **'레시피 책'**을 바꿉니다.

• 과거: "어떤 재료가 있을까? 하나씩 시도해 보자." (우연에 의존)
• 현재와 미래: "우리는 이런 성질이 필요한 재료가 필요해. AI 가 딱 맞는 재료를 만들어줘." (목표에 기반한 설계)

이 기술이 발전하면, 탄소 포집, 수소 저장, 신약 개발, 정수 필터 등 우리가 당장 해결하고 싶은 문제들에 맞춰, 원하는 성능을 가진 재료를 100% 컴퓨터로 설계하고, 그 설계도대로 실험실에서 바로 만들어내는 시대가 올 것입니다.

요약

이 논문은 **"레고 블록 (분자) 의 언어를 배우고, 우리가 원하는 성 (기능) 을 설계할 수 있는 AI"**를 개발하여, 컴퓨터상에서 완전히 새로운 재료를 설계하고 실제로 만들어내는 데 성공했다는 놀라운 소식입니다. 이제 재료 과학은 '감'이 아니라 '프로그램'으로 이루어질 것입니다.

기술 요약

논문 개요: NexerraR1 을 통한 역설계 기반 다공성 물질 (MOF) 설계

이 논문은 금속 - 유기 골격체 (MOF) 와 같은 망상 물질 (reticular materials) 의 새로운 소재 발견을 가속화하기 위해, NexerraR1이라는 이름의 새로운 화학 언어 모델 (Chemical Language Model, CLM) 을 소개합니다. 기존의 직관과 반복 실험에 의존하던 방식에서 벗어나, 컴퓨팅 설계에서 합성 가능한 프레임워크로의 직접적인 전환을 가능하게 하는 '역설계 (Inverse Design)' 패러다임을 제시합니다.

1. 문제 정의 (Problem)

• 기존 방식의 한계: 망상 화학 (Reticular Chemistry) 은 수만 개의 MOF 합성을 가능하게 했으나, 새로운 소재 발견은 여전히 연구자의 직관과 반복적인 실험에 크게 의존하고 있습니다.
• 탐색 공간의 제한: MOF 의 화학적 공간은 방대하지만, 기존 고처리량 스크리닝 (High-throughput screening) 은 알려진 구조나 단순한 조합적 가설 구조에 국한되어 있어, 목표 특성을 가진 진정한 새로운 물질을 체계적으로 발견하는 데 한계가 있습니다.
• 생성 모델의 적용 난제: 기존 생성 모델 (Diffusion, Score-based 등) 은 분자 설계에 성공적이었으나, 망상 물질의 모듈러 설계 원리 (노드와 링커의 조립) 를 반영하거나, 실험적으로 합성 가능한 구조를 보장하는 데 어려움을 겪었습니다.

2. 방법론 (Methodology)

저자들은 설계 과정을 분자 빌딩 블록 (Molecular Building Blocks, MBB) 수준으로 해체하여 제어 가능한 생성 워크플로우를 구축했습니다.

가. 모델 아키텍처: NexerraR1

• 기본 구조: $\beta$-변분 오토인코더 ($\beta$-VAE) 를 기반으로 한 트랜스포머 (Transformer) 기반의 화학 언어 모델입니다.
• 입력 표현: 링커 분자를 SELFIES 문자열로 인코딩합니다. SELFIES 는 문법적 규칙을 통해 생성된 모든 분자가 화학적으로 유효함을 보장합니다.
• 학습 방식: 약 90 만 개의 링커 데이터셋 (기존 DB 및 기능화 확장) 으로 훈련되었습니다. 인코더는 링커를 저차원의 연속 잠재 공간 (Latent Space) 으로 매핑하고, 디코더는 이를 다시 분자 시퀀스로 복원합니다.
• 핵심 기능:
  1. 제약 없는 생성: 다양한 링커를 생성할 수 있습니다.
  2. 시드 기반 설계 (Seeded Inference): 알려진 링커 (시드) 를 인코딩하여 잠재 공간의 이웃을 탐색하거나, 고정된 스캐폴드 (핵심 구조) 를 유지하면서 팔 (arms) 만을 변형하는 '스캐폴드 제약 설계 (Scaffold-constrained design)' 모드를 지원합니다.

나. 흐름 기반 설계 (Flow-guided Design): NexerraR1-Flow

• 목적: 단순한 샘플링의 비효율성을 해결하고, 특정 응용 (예: 가스 저장) 에 적합한 분포로 생성을 유도하기 위해 개발되었습니다.
• 기술: 잠재 공간에서 최적 수송 (Optimal Transport, OT) 기반의 연속 정규화 흐름 (Continuous Normalizing Flow) 을 구현합니다.
• 작동 원리:
  • 베이스 분포 ($p_0$) 에서 목표 분포 ($q_1$) 로 잠재 샘플을 이동시키는 벡터 필드를 학습합니다.
  • 보상 함수 (Reward Function, $R$) 를 사용하여 특정 물성 (예: 링커 길이, 가스 흡착 용량) 을 극대화하는 방향으로 분포를 이동시킵니다.
  • 모델 자체를 재학습하지 않고, 잠재 공간의 확률 질량 (probability mass) 만을 목표 영역으로 재분배하여 효율성을 극대화합니다.

다. 후처리 및 조립

• 생성된 링커는 기하학적 제약 (노드와의 호환성, 스테릭 충돌 방지) 을 만족하도록 최적화됩니다.
• 최적화된 링커는 미리 정의된 망 (Net) 템플릿 (예: pcu, fcu, csq) 과 금속 노드 (예: Zr6-oxo, Cu2-paddlewheel) 와 결합하여 3D MOF 프레임워크로 조립됩니다.

3. 주요 기여 (Key Contributions)

1. 블록 단위 역설계 패러다임: 전체 프레임워크를 직접 생성하는 대신, 망상 화학의 모듈러 원리를 따르는 '링커' 수준에서 설계를 수행하여 합성 가능성과 구조적 안정성을 보장합니다.
2. 제어 가능한 생성 모델 (NexerraR1): 시드 기반 설계와 스캐폴드 제약 설계를 통해 특정 토폴로지와 노드에 호환되는 링커를 정밀하게 생성합니다.
3. 흐름 기반 분포 유도 (NexerraR1-Flow): 보상 함수와 결합된 흐름 모델 (Flow Matching) 을 통해, 특정 물성 (예: 긴 링커 스패너) 을 가진 고성능 후보물질을 효율적으로 탐색합니다.
4. 실험적 검증 (CU-525): 시뮬레이션으로만 설계된 새로운 MOF(CU-525) 를 실제로 합성하고 결정 구조를 규명하여 모델의 예측 능력을 입증했습니다.

4. 결과 (Results)

• 모델 성능:
  • 토큰 재구성 정확도 96.5%, 내부 다양성 > 0.925, 신규성 > 96% 를 달성하여 잠재 공간이 MOF 링커 공간을 잘 표현하고 있음을 보였습니다.
  • 기존 MOF-5 와 PCN-222 를 템플릿으로 사용하여, 가스 저장 성능이 우수한 새로운 링커들을 성공적으로 설계하고 조립했습니다.
• 흐름 기반 설계의 효과:
  • 링커 길이 제어: 1,4-벤젠디카르복실산 (BDC) 시드를 기반으로, NexerraR1-Flow 를 통해 평균 2.4 Å 더 긴 링커를 생성했습니다.
  • 메탄 저장 성능 향상: fcu 망에 조립된 생성된 MOF 들은 UiO-66 대비 중량 기준 메탄 흡착량 87% 증가, 부피 기준 흡착량 27% 증가를 보여주었습니다. 이는 일반적으로 상충되는 두 지표를 동시에 개선한 사례입니다.
• 실험적 성공 (CU-525):
  • 시뮬레이션으로 설계된 ftw 망 기반 링커를 기반으로 합성된 CU-525 (Hf6-oxo 기반) 가 성공적으로 제조되었습니다.
  • 단결정 X 선 회절 (SCXRD) 분석을 통해 설계된 구조와 실험적으로 결정된 구조가 위상학적, 연결성 수준에서 일치함을 확인했습니다.

5. 의의 및 전망 (Significance)

• 자율적 소재 발견의 전환: 직관 중심의 합성에서 프로그래밍 가능한 망상 공학 (Programmable Reticular Engineering) 으로의 전환을 가능하게 합니다.
• 범용성: 가스 저장뿐만 아니라 약물 전달, 촉매 등 다양한 응용 분야에 맞춰 보상 함수만 변경하면 동일한 플랫폼으로 설계가 가능합니다.
• 계산 - 실험 통합: 계산 설계에서 실험적 합성 및 검증까지 이어지는 통합 파이프라인을 제시하여, 신소재 개발 주기를 획기적으로 단축할 수 있는 가능성을 보여주었습니다.

결론적으로, 이 연구는 생성형 AI 와 망상 화학을 결합하여, 실험적으로 합성 가능하면서도 목표 성능을 가진 새로운 다공성 물질을 체계적이고 효율적으로 발견할 수 있는 강력한 도구를 제시했습니다.