DGLD: Domain-Gated Latent Diffusion for the Discovery of Novel Energetic Materials

본 논문은 기존 모델이 훈련 데이터를 암기하거나 외삽 시 성능 유지에 실패하는 한계를 극복하고, DFT 로 확인된 폭속이 8km/s 를 초과하는 두 가지 구조적으로 고유한 고성능 에너지 물질 (L1 및 E1) 을 성공적으로 발견하고 검증하는 새로운 생성 프레임워크인 도메인 게이트 잠재 확산 (DGLD) 을 소개한다.

핵심

로켓이나 가스 발생기를 위한 새로운 초고성능 연료를 발명하려고 상상해 보세요. 엄청난 위력을 지녔으면서도 운반할 만큼 작고 가벼운 무언가를 원합니다. 문제는 지난 15 년간 과학자들이 HMX 나 CL-20 같은 기존 챔피언들을 능가하는 단 하나의 새로운'초연료'분자도 찾아내지 못했다는 점입니다.

왜 이렇게 어려운 것일까요? 이는 건초더미에서 바늘을 찾는 것과 비슷하지만, 그 건초더미는 6 만 6 천 가지의 서로 다른 화학 조리법으로 이루어져 있으며, 그중 약 3 천 가지만이 실제 실험실에서 테스트되거나 초정밀 물리 시뮬레이션으로 검증되었습니다. 나머지는 그저 대략적인 추정에 불과합니다. 표준 컴퓨터 프로그램에 새로운 연료를 설계하라고 요청하면, 보통 두 가지 나쁜 행동 중 하나를 합니다: 이미 알고 있는 기존 조리법을 그대로 복사해 내는 것 (암기), 또는 종이 위에서는 훌륭해 보이지만 실제로 수학을 검증하면 무너지는 터무니없고 불가능한 화학 물질을 만들어내는 것입니다.

해결책: DGLD(도메인 게이트 잠재 확산)

저자들은 이를 해결하기 위해 DGLD라는 새로운 AI 시스템을 구축했습니다. DGLD 를 완벽한 새로운 분자를 찾기 위해 3 단계 프로세스를 사용하는 고도로 전문화된'화학 건축가'로 생각하세요.

1. "신뢰 필터"(학습 시간)

학생에게 요리사가 되라고 가르친다고 상상해 보세요. 6 만 6 천 가지 조리법이 담긴 요리책이 있습니다.

• 그중 3 천 가지는 실제 주방에서 실제 요리사들이 테스트한 조리법입니다 (실험/DFT 데이터).
• 나머지 6 만 3 천 가지는 주니어 보조원이 작성한 대략적인 추정치입니다 (대리 데이터).

만약 학생이 모든 조리법을 맛보게 한다면, 나쁜 추정치에 혼란을 느껴 끔찍한 음식을 만들도록 학습할 수 있습니다.
DGLD 의 비법: 학습에"신뢰 필터"를 적용합니다. AI 에게 이렇게 말합니다:"특정 목표 (초연료 제작) 를 학습할 때는 3 천 개의 실제 테스트된 조리법에만 집중하세요. 나머지 6 만 3 천 개의 대략적인 추정치는 요리 일반 규칙 (분자의 모양) 을 배우는 데만 활용하고, 최종 맛을 결정하게 하지 마세요."이를 통해 AI 가 나쁜 데이터에 혼란을 겪는 것을 방지합니다.

2. "멀티 툴 나침반"(샘플링 시간)

AI 가 새로운 분자를'꿈꾸기'시작하면 안내가 필요합니다. AI 가 안개 낀 숲을 헤매며 특정 보물을 찾고 있다고 상상해 보세요.

• 표준 AI 는 그냥 직선으로 걷거나 무작위로 헤매는 식입니다.
• DGLD는 AI 에게 멀티 툴 나침반을 제공합니다. 이 나침반에는 서로 다른 것을 가리키는 6 개의 바늘이 있습니다: 안전한가? 안정적인가? 강력한가? 만들기 쉬운가?
• AI 가 한 걸음씩 내디딜 때마다 나침반이 밀어줍니다. AI 가 위험하거나 불안정한 분자 쪽으로 치우치기 시작하면 나침반이 다시 밀어냅니다. 약한 쪽으로 치우치면 나침반이 강함 쪽으로 방향을 잡아줍니다. 핵심은 AI 가 걷는 법을 다시 배울 필요 없이 이 바늘들을 켜고 끌 수 있다는 점입니다.

3. "4 단계 보안 검사"(검증)

AI 는 4 만 개의 잠재적 새로운 분자 목록을 내뱉습니다. 그중 대부분은 쓰레기입니다. DGLD 는 이들을 엄격한 보안 깔때기를 통과시킵니다:

• 1 단계 (문지기): 빠른 화학 규칙 확인입니다. 위험한 원자가 있는가? 너무 큰가? 만약 그렇다면 즉시 퇴출됩니다.
• 2 단계 (심판자): 컴퓨터가 생존자들을 힘, 안전성, 그리고 기존 조리법과의 차이점을 혼합하여 순위 매깁니다.
• 3 단계 (스트레스 테스트): 빠른 물리 시뮬레이션이 분자의 전자가 안정적인지 확인합니다. 존재하는 것만으로도 폭발할 것처럼 보이면 퇴출됩니다.
• 4 단계 (골드 스탠더드): 최종 12 개 후보는 전체적이고 느리며 초정밀 물리 감사 (DFT 라고 함) 를 받습니다. 이것이"실제 실험실"시뮬레이션입니다.

결과: 금을 찾아내다

이 전체 프로세스를 실행한 후, DGLD 는 최종 물리 감사를 통과한 12 개의 완전히 새로운 분자를 찾아냈습니다.

• 스타 플레이어 (L1): 3,4,5-트라이니트로 -1,2-이소キサ졸이라는 분자입니다. 구조적으로 독특합니다 (기존 조리법과 전혀 닮지 않았습니다) 그리고 오늘날 우리가 가진 최고의 연료만큼이나 잘 작동합니다.
• 준우승자 (E1): 완전히 다른 계열에서 나온 또 다른 새로운 분자로, 더 강력할 수도 있지만 약간의 안전성 검사가 더 필요합니다.

왜 다른 방법들은 실패했는가

이 논문은 DGLD 를 세 가지 다른 인기 있는 AI 방법과 비교 테스트했습니다:

• 방법 A (SMILES-LSTM): 교과서만 외운 학생과 같았습니다. 18% 의 경우 기존 분자를 그대로 복사했습니다.
• 방법 B (SELFIES-GA): 빠른 검사에서는 놀라워 보이는"완벽한"분자를 찾았지만, 실제 물리 감사가 이루어지자 무너졌습니다. 가짜였습니다.
• 방법 C (REINVENT 4): 새롭고 기이한 분자를 찾았지만, 기존 챔피언들을 능가할 만큼 강력하지는 않았습니다.

핵심 결론:
DGLD 는 표준 컴퓨터 하드웨어에서 실행되면서 완전히 새로운 분자이면서 실제로 유용할 만큼 강력한 분자를 성공적으로 찾아낸 유일한 방법입니다. 저자들은 화학자들이 실제 실험실에서 이들을 만들어 볼 수 있도록 코드와 이 12 개의 새로운 분자 목록을 공개했습니다. 그들은 며칠간의 컴퓨터 시간을 투자하면 차세대 초연료를 발견하고 합성에 준비할 수 있을 것으로 추정합니다.

기술 요약

기술 요약: DGLD – 새로운 고에너지 물질 발견을 위한 도메인 게이트 잠재 확산

문제 제기
새로운 고에너지 물질 (EMs) 의 발견은 '희소 레이블 (sparse-label)' 병목 현상에 직면해 있습니다. 합성 가능한 CHNO(탄소 - 수소 - 질소 - 산소) 소분자의 화학적 공간은 광대하지만, 고품질 성능 레이블 데이터셋은 극히 제한적입니다. 약 66,000 개의 레이블이 지정된 분자 중 실험적 또는 고정밀 밀도 범함수 이론 (DFT) 측정을 가진 것은 약 3,000 개에 불과하며, 나머지는 경험식 (Kamlet–Jacobs) 이나 신뢰도가 낮은 대리 모델에 의존합니다. 이러한 혼합 품질의 말뭉치로 훈련된 기존 생성 모델은 훈련 데이터를 암기하여 새로운 화합물을 발견하지 못하거나, 보정 없이 외삽하여 엄격한 물리적 검증을 견디지 못하는 후보 물질을 생성합니다. 또한, 기존 방법들은 고성능 (예: 폭굉 속도 $D \ge 9.0$ km/s, 밀도 $\rho \ge 1.85$ g/cm³) 과 구조적 신규성 (기존 HMX/CL-20 계열 화합물과의 비유사성) 의 이중 제약을 동시에 만족시키는 데 어려움을 겪습니다.

방법론: DGLD 파이프라인
저자들은 화학적 타당성과 물리적 정확성을 보장하면서 희소 레이블 체제를 탐색하도록 설계된 4 단계 파이프라인인 **도메인 게이트 잠재 확산 (Domain-Gated Latent Diffusion, DGLD)**을 소개합니다.

1. 4 단계 레이블 신뢰 계층 (훈련 시간):
   모든 레이블을 동등하게 취급하는 대신, DGLD 는 레이블 신뢰도에 기반한 게이트 메커니즘을 구현합니다:

   • 1 단계 (실험) 및 2 단계 (DFT 유래): 이러한 고신뢰도 레이블은 *조건부 기울기 (conditional gradient)*를 주도하여 생성을 특정 성능 목표 방향으로 유도합니다.
   • 3 단계 (Kamlet–Jacobs 유래) 및 4 단계 (3D-CNN 대리 모델): 이러한 저신뢰도 레이블은 조건부 신호에서 제외됩니다. 대신, 분류기 없는 가이드 드롭아웃을 통해 *무조건부 사전 분포 (unconditional prior)*를 훈련하는 데 사용됩니다. 이는 노이즈가 많은 데이터가 표적 생성 신호를 오염시키는 것을 방지하면서도 말뭉치의 양을 활용하여 모델의 주변 분포를 형성합니다.

2. 멀티태스크 가이드가 적용된 잠재 확산:

   • 인코더: 고에너지 말뭉치로 미세 조정된 LIMO(잠재 분자) VAE 는 SELFIES 문자열을 1024 차원 잠재 공간으로 매핑합니다. 이 인코더는 초기 훈련 후 고정됩니다.
   • 디노이저: 조건부 잠재 DDPM(디노이징 확산 확률 모델) 은 이 잠재 공간에서 역 과정을 학습합니다. FiLM(기능별 선형 변조) 을 사용하여 조건부 신호 (밀도, 생성열, 폭굉 속도, 압력) 를 주입합니다.
   • 두 개의 보완적 디노이저: 잠재 공간에서 고생성열 (HOF) 과 고밀도/고성능 꼬리 부분이 분리되어 있는 문제를 해결하기 위해 두 개의 디노이저를 훈련합니다: DGLD-H(HOF 로 기울어짐) 와 DGLD-P($\rho, D, P$로 기울어짐).
   • 멀티태스크 점수 모델: 샘플링 시, 6 개의 헤더 (실행 가능성, 감도, 위험, 성능, 합성 가능성 A, 합성 가능성 C) 를 가진 별도의 점수 모델이 기울기 유도를 제공합니다. 재훈련 없이 궤적을 불안정하거나 위험한 영역에서 벗어나게 하기 위해 샘플링 중에는 3 개의 헤더 (실행 가능성, 감도, 위험) 만 활성화됩니다.

3. 자기 증류 정제:
   "실행 가능성" 헤더는 자기 증류 루프를 통해 정제됩니다. 모델이 후보 물질을 생성하고 필터링한 후, 위양성 (초기 검사를 통과했지만 화학적으로 유효하지 않거나 불안정한 분자) 을 채굴하여 재인코딩하고 "하드 네거티브"로 사용하여 실행 가능성 헤더를 재훈련합니다. 이 과정은 초기 랜덤 포레스트 분류기의 결정 경계와 확산 샘플러가 실제로 점유하는 잠재 영역 사이의 격차를 해소합니다.

4. 4 단계 검증 깔때기:
   디코드된 후보 물질은 점진적 필터링 과정을 거칩니다:

   • 1 단계 (SMARTS 게이트): 라디칼, 할로겐, 화학적으로 불가능한 모티프를 제거하고 합성 가능성 (SA) 및 복잡도 (SC) 상한을 적용합니다.
   • 2 단계 (파레토 리랭커): 성능, 실행 가능성, 신규성, 안전성의 복합 지표로 후보 물질을 점수화하고 파레토 프론트를 선택합니다.
   • 3 단계 (xTB 트라이지): 준경험적 GFN2-xTB 최적화를 통해 전자적 안정성 (HOMO–LUMO 갭 $\ge 1.5$ eV) 을 확인합니다.
   • 4 단계 (DFT 감사): 최상위 생존자에 대한 완전한 1 원리 DFT 최적화 (B3LYP/6-31G(d)) 와 단일점 에너지 계산 ($\omega$B97X-D3BJ/def2-TZVP) 을 수행합니다. 결과는 6 개의 기준 앵커 (RDX, TATB, HMX, PETN, FOX-7, NTO) 에 대해 보정됩니다.

주요 결과

• 신규성과 성능: DGLD 는 12 개의 DFT 확인 신규 리드를 생성했습니다. 헤드라인 화합물인 **L1(3,4,5-트라이니트로 -1,2-이소옥사졸)**은 보정된 밀도 $\rho_{cal} = 2.09$ g/cm³와 폭굉 속도 $D_{K-J,cal} = 8.25$ km/s를 달성합니다. 중요한 점은 L1 이 65,980 개의 훈련 분자 모두와 구조적으로 비유사하다는 것입니다 (최대 타니모토 유사도 = 0.27).
• 공동 헤드라인 리드: 화학적으로 구별되는 스펙트럼 계열에서 나온 두 번째 리드인 **E1(4-니트로 -1,2,3,5-옥사트리아졸)**은 열적 안정성 확인을 기다리는 중이며, $D_{K-J,cal} = 9.00$ km/s 및 $\rho_{cal} = 2.04$ g/cm³에 도달합니다.
• 베이스라인 비교:
  • SMILES-LSTM: 출력의 18.3% 를 정확히 암기했으며, 새로운 고성능 리드를 생성하지 못했습니다.
  • SELFIES-GA: 말뭉치 재발견이 74% 발생했으며, 가장 우수한 신규 후보는 DFT 감사 하에 대리 모델의 $D=9.73$ km/s에서 $D=6.28$ km/s로 붕괴되었습니다 (3.5 km/s 오차).
  • REINVENT 4: 새로운 고질소 헤테로사이클을 생성했으나, 대리 모델 기준 $D=9.02$ km/s에서 정점을 찍었으며 DFT 수준에서 일관된 생산적 사분면 커버리지를 보여주지 못했습니다.
  • DGLD: DFT 수준에서 확인된 "생산적 사분면"(동시에 신규하고 목표에 부합) 에 일관되게 도달한 유일한 방법입니다.

의의 및 주장
본 논문은 DGLD 가 무조건부 사전 분포 학습 (모든 데이터 사용) 과 조건부 기울기 학습 (고신뢰도 데이터만 사용) 을 분리함으로써 고에너지 물질의 희소 레이블 체제를 성공적으로 탐색한 최초의 방법이라고 주장합니다. 이 접근법은 모델이 노이즈가 많은 레이블에 오염되지 않고 화학 공간의 고성능 꼬리 영역으로 외삽할 수 있게 합니다.

저자들은 발견부터 DFT 검증까지 전체 파이프라인을 상용 하드웨어 (수 GPU 일) 로 실행할 수 있음을 강조합니다. 이 연구는 최종 합성 논문이 아니라 실험적 검증을 위한 후보 물질을 성공적으로 식별하는 방법론으로 위치 짓습니다. 코드, 체크포인트, 그리고 채굴된 918 개의 "하드 네거티브"를 공개함으로써 차세대 HMX 계열 화합물 발견의 장벽을 낮추는 것을 목표로 합니다.

인정된 한계
논문은 명시적으로 다음과 같은 한계를 지적합니다:

• 밀도 예측은 고정된 패킹 인자 (0.69) 를 사용하는 기상 DFT 에 의존하므로 절대 밀도 값에 불확실성이 존재합니다.
• 폭굉 속도에 사용된 Kamlet–Jacobs 방정식은 폐형 근사식이며, 절대값은 열화학 평형 솔버 (예: EXPLO5, Cheetah) 가 필요합니다.
• 공개된 USPTO 템플릿 (AiZynthFinder) 을 사용한 역합성 분석은 고에너지 물질 전용 템플릿의 부재로 인해 낮은 히트율 (L1 의 경우 1/12) 을 보였으며, 이는 반드시 합성 불가능함을 의미하는 것은 아닙니다.
• 옥사트리아졸 계열 (E1) 은 보정 세트에 DFT 앵커가 없어 성능 지표가 외삽된 것입니다.