PolyGraphPy: A unified Python framework for atomistic simulation and machine learning-driven polymer design

PolyGraphPy는 베이지안 그래프 신경망 및 생성 모델을 포함한 머신러닝을 원자 단위 시뮬레이션과 통합하여, 데이터 생성을 자동화하고 불확incity 정량화를 통해 고분자 물성을 예측하며 표적 고분자 분자의 데 노보(de novo) 설계를 가능하게 하는 오픈 소스 파이썬 프레임워크입니다.

핵심

당신이 완벽하고 새로운 폴리머(플라스틱의 한 종류) 레시피를 발명하려는 마스터 셰프라고 상상해 보세요. 이 폴리머는 특정 수준의 유연성이나 빛을 굴절시키는 방식과 같은 특정한 성질을 가져야 합니다. 문제는 가능한 재료의 조합이 수십억 개에 달한다는 것입니다. 실제 주방에서 모든 조합을 직접 요리하며 테스트하는 것은 너무 오래 걸리고 엄청난 비용이 들 것입니다.

여기에서 PolyGraphPy가 등장합니다. 이것은 과학자들이 더 빠르고 저렴하게 새로운 재료를 설계할 수 있도록 연구자들이 구축한, 매우 똑똑하고 자동화된 "디지털 주방"이라고 생각하면 됩니다.

이 디지털 주방이 어떻게 작동하는지 간단한 단계로 나누어 설명하겠습니다.

1. "맛 테스트" 시뮬레이터 (원자 단위 시뮬레이션)

레시피가 실제로 어떤 맛을 낼지 예측하기 전에, 먼저 재료들이 실제로 어떻게 작용하는지 알아야 합니다. 현실 세계에서 모든 분자를 테스트하려면 비싸고 느린 첨단 실험 장비가 필요합니다.

• 논문의 해결책: PolyGraphPy는 **DFTB+**라는 지름길을 사용합니다. 이것은 물리학의 "빨리 감기" 버튼이라고 상상해 보세요. 모든 원자의 움직임을 느린 화면으로 보여주는 전체 시뮬레이션을 실행하는 대신(며칠이 소요됨), 원자들이 어떻게 행동할지 추정하기 위해 미리 계산된 "치트 시트"(Slater-Koster 파라미터라고 불림)를 사용합니다.
• 결과: 이 방식은 실제 몇 년이 걸릴 작업을 단 몇 시간 만에 수천 개의 가상 분자를 만들어낼 수 있게 하며, 다양한 폴리머 형태가 어떻게 행동하는지에 대한 방대한 데이터 라이브러리를 생성합니다.

2. "수정구슬" (머신러닝 예측기)

이제 주방에 수천 개의 가상 레시피 라이브러리가 갖춰졌다면, 팀은 새로운 레시피를 실제로 요리해 보지 않고도 그 성질을 추측할 방법이 필요합니다.

• 논문의 해결책: 연구진은 **베이지안 그래프 신경망(Bayesian Graph Neural Network, GNN)**을 구축했습니다.
  • 그래프: 분자를 화학식으로 보는 것이 아니라, 도시의 지도처럼 생각합니다. 원자는 건물(노드)이고, 결합은 도로(엣지)입니다.
  • 수정구슬: AI는 이 지도를 보고 특정 성질인 **정적 편극성(Static Polarizability)**을 예측합니다. 쉽게 말해, 이는 빛이나 전기에 의해 분자의 전자들이 얼마나 쉽게 흔들리는지를 나타내는 척도입니다. 이는 플라스틱이 얼마나 투명한지 또는 빛과 어떻게 상호작용하는지에 영향을 미칩니다.
  • "불확실성" 기능: 일반적인 추측과 달리, 이 AI는 겸손합니다. 단순히 "50이 될 것이다"라고 말하는 것이 아니라, "50이 될 것이며, 95%의 확률로 48에서 52 사이일 것이다"라고 말합니다. 이는 과학자들이 언제 AI를 믿고, 언제 다시 확인해야 하는지 알 수 있게 도와줍니다줍니다.

3. "발명가들" (생성 모델)

AI가 성질을 예측하는 방법을 익혔다면, 다음 단계는 원하는 정확한 성질을 가진 새로운 분자를 발명하는 것입니다. PolyGraphPy는 두 가지 서로 다른 "발명가"를 사용하여 이를 수행합니다.

• 발명가 A: "GPT" (창의적인 작가)

  • 이것은 챗봇을 구동하는 기술과 유사한 기술를 기반으로 합니다. 이 모델은 SELFIES(분자를 절대 깨지지 않는 텍스트 문자열로 쓰는 방식)라는 화학 언어로 학습되었습니다.
  • 당신이 "편극성이 20인 분자를 원한다"라고 말하면, 이 모델은 그 설명에 부합한다고 생각하는 새로운 화학적 "문장"(분자)을 작성합니다. 마치 시인에게 특정 감정에 대한 시를 써달라고 요청하는 것과 같습니다.

• 발명가 B: "유전 알고리즘" (진화적 번식가)

  • 이것은 자연 선택과 유사하게 작동합니다. 무작위의 분자 "자손"들로부터 시작합니다.
  • 이들은 테스트를 거쳐 목표 성질에 가장 가까운 것들을 골라내고, 이들을 서로 "번식"(화학적 구조를 혼합)시켜 다음 세대를 만듭니다.
  • 여러 세대를 거치면서, 이 집단은 완벽한 일치형이 되도록 진화합니다. 마치 완벽한 크기와 털 색깔을 가진 개를 얻기 위해 개를 번식시키는 것과 같지만, 여기서는 분자를 대상으로 합니다.

무엇을 실제로 달성했는가?

연구진은 이 시스템을 네일 폴리시부터 콘택트렌즈까지 다양한 곳에 사용되는 흔한 플라스틱 제품군인 **아크릴레이트(acrylates)**에 대해 테스트했습니다.

• 데이터: 그들은 두 개의 거대한 데이터 라이브러리를 생성했습니다. 하나는 3,427개의 단일 사슬 분자로 구성되었고, 다른 하나는 8,627개의 쌍(paired) 분자로 구성되었습니다.
• 정확도: 그들의 "수정구슬"(AI)은 놀라울 정도로 정확했습니다. 쌍(paired) 분자의 경우, 특정 성질을 97% 이상의 정확도로 예측했습니다.
• 새로운 발견:
  • "번식가"(유전 알고리즘)는 730개의 새로운 분자를 발명했습니다. 이 중 90%는 완전히 새로운 것이었으며 기존 데이터베이스에서 본 적이 없는 분자들이었습니다.
  • "작가"(GPT)는 126개의 새로운 분자를 발명했으며, 이 중 78% 역시 완전히 새로운 것이었습니다.

핵심 요약

PolyGraphPy는 원자 시뮬레이션, AI를 이용한 성질 예측, 그리고 새로운 재료 발명 사이의 점들을 연결하는 통합 툴킷입니다. 이 시스템은 단순히 추측하는 것이 아니라, 수학을 사용하여 그 추측이 신뢰할 수 있는지 확인합니다. 이를 통해 새로운 플라스틱을 설계하는 과정을 느리고 비싼 시행착오 게임에서 빠르고 가이드가 있는 효율적인 워크플로우로 변화시킵니다.

중요 참고 사항: 이 논문은 엄격하게 이러한 재료(특히 아크릴레이트 및 그 광학적 성질)의 설계 및 예측에 초점을 맞추고 있습니다. 이 시스템이 물리적인 제품을 만들었다거나, 그 이상의 상업적 응용 가능성을 논의했다는 주장은 포함하지 않습니다. 이것은 과학자들이 더 나은 재료를 설계할 수 있도록 돕는 도구이지, 완성된 제품 자체가 아닙니다.

기술 요약

PolyGraphPy 기술 요약: 원자론적 시뮬레이션 및 머신러닝 기반 고분자 설계를 위한 통합 파이썬 프레임워크

1. 문제 정의

고분자의 설계 공간은 단량체 클래스, 공중합체 구성(선형, 분지형, 랜덤, 교대), 사슬 크기, 화학 양론, 그리고 목표 재료 특성(예: 밀도, 굴절률, 용해도)과 같은 변수들에 의해 결정되며 매우 방대합니다. 이 공간을 효율적으로 탐색하기 위해서는 양자 역학적 특성 예측과 새로운 분자의 생성적 설계 사이의 간극을 메울 수 있는 계산 방법론이 필요합니다.

기존의 과제는 다음과 같습니다:

• 표현(Representation): 텍나 기반 형식(SMISE 등)의 의미론적 어려움을 피하면서 구조적 미묘함을 포착할 수 있는 머신러닝(ML) 모델용 적절한 분자 표현법을 찾는 것.
• 계산 비용: 고충실도 양자 역학 방법인 밀도 범함수 이론(DFT)은 견고한 고분자용 ML 모델을 훈련하는 데 필요한 대규모의 구조화된 데이터셋을 생성하기에는 계산 비용이 너무 높습니다. 반대로, 포스 필드(Force field) 방법은 명시적인 전자 구조 표현이 부족하여 부정확한 특성 추정을 초-래할 수 있습니다.
• 생성 모델의 한تا: 생성 도구들이 존재하긴 하지만, 화학적으로 유효한 분자를 생성하는 데 어려움을 겪거나, 신뢰할 수 있는 de novo 설계를 위해 필요한 불확실성 정량화 및 특성 가이드 피드백 루프의 통합이 부족한 경우가 많습니다.

2. 방법론

저자들은 원자론적 시뮬레이션과 머신러닝을 통합하는 오픈 소스, 통합 파이썬 프레임워크인 PolyGraphPy를 소개합니다. 이 프레임워크는 PyTorch와 PyTorch Geometric을 기반으로 한 객체 지향 패러다임을 따르며, 세 가지 주요 모듈로 구성됩니다:

A. 원자론적 시뮬레이션 (데이터 생성)

• 방법: 프레임워크는 밀도 범함수 타이트 바인딩(DFTB+), 구체적으로 DFTB3 정식화를 활용합니다. DFTB는 사전 계산된 Slater–Koster 파라미터를 사용하여 전자 구조의 준경험적 근사치를 제공하며, 이는 DFT의 정확도와 포스 필드의 효율성 사이에서 균형을 맞춥니다.
• 워크플로:
  1. 입력: SMILES 문자열이 .xyz 파일로 변환됩니다. 호모중합체의 경우, 중합을 용이하게 하기 위해 비닐 그룹을 절단하고 자리 표시자 원자(Br 또는 I)로 대체합니다. 교대 공중합체의 경우, 다양성을 확보하기 위해 분자 기술자(무게, 복잡성, 극성 표면적)를 기반으로 재귀적 좌표 이등분(Recursive Coordinate Bisection, RCB)을 통해 단량체를 클러스터링하여 쌍별 조합을 수행합니다.
  2. 시뮬레이션: 전자적 특성을 계산하기 위해 DFTB+가 실행됩니다.
  3. 후처리: 프레임워크는 결합 섭동 선형 응답 접근법을 사용하여 정적 편극률($\alpha$)을 추출하며, 편극률 텐서로부터 등방성 값을 계산합니다 ($\alpha = (\alpha_{xx} + \alpha_{yy} + \alpha_{zz})/3$).
• B. 예측 모델링 (특성 예측)
• 아키텍처: 프레임워크는 Graph U-Net 아키텍처를 기반으로 하는 **베이지안 그래프 신경망(GNN)**을 채택합니다.
• 표현: 분자는 원자가 노드이고 결합이 엣지인 그래프로 표현됩니다. 핵심 특징은 확률적 그래프 표현을 사용하는 것으로, 여기서 엣지 가중치($w \in (0, 1]$)는 반복 단위의 빈도(예: 호모중합체는 $w=1.0$, 교대 공중합체는 $w=0.5$)를 수학적으로 설명합니다.
• 불확실성 정량화: 인식론적 불확실성을 해결하기 위해 모델은 **몬테카를로 드롭아웃(Monte Carlo Dropout)**을 활용합니다. 추론 중에 드롭아웃 레이어를 활성화 상태로 유지함으로써, 모델은 여러 번의 확률적 순전파를 수행하여 예측 평균과 분산을 추정하고, 특성 예측과 함께 견고한 불확실성 정량화를 제공합니다.

C. 생성 모델링 (특성 가이드 설계)
프레임워크는 목표 정적 편극률을 가진 단량체를 설계하기 위해 두 가지 상호 보완적인 생성 접근 방식을 통합합니다:

1. SELFIES 기반 생성 사전 학습 트랜스포머(GPT):
   • GPT-2 모델(124M 파라미터)이 목표 편극률 값과 쌍을 이루는 SELFIES 문자열에 대해 미세 조정(Fine-tuning)됩니다.
   • 모델은 목표 특성에 따라 잠재적 화학 공간에서 샘플링함으로써 화학적으로 유효한 단량체를 생성하는 법을 학습합니다.
   • 생성된 구조는 화학적 유효성(RDKit 사용)을 검증받으며, GNN이 예측한 편극률과 목표값 사이의 상대 오차 임계값에 따라 필터링됩니다.
2. BRICS 단편화를 이용한 유전 알고리즘(GA):
   • 이 접근 방식은 선택, 교차, 돌연변이를 사용하여 후보 단량체의 집단을 진화시킵니다.
   • 단편(Fragments): 아크릴레이트 백본의 존재를 보장하기 위해 BRICS(역합성적으로 흥미로운 화학적 부분 구조의 파괴) 알고리즘을 사용하여 분자 단편을 추출합니다.
   • 적합도 함수(Fitness Function): 적합도 점수는 GNN이 예측한 정적 편극률과 목표값 사이의 절대 차이에 마이너스를 붙인 값으로 정의됩니다.
   • 프로세스는 고성능 구조를 향해 집단을 최적화하도록 반복됩니다.

3. 주요 기여

• 통합 프레임워크: PolyGraphPy는 DFTB+ 시뮬레이션, 베이지안 GNN 예측, 그리고 이중 모드 생성 설계(GPT 및 GA)를 연결하는 엔드 투 엔드 파이프라인을 제공합니다.
• 데이터셋 생성: 저자들은 훈련 및 테스트를 위해 두 개의 광범적인 고품질 데이터셋을 생성하여 공개된 편극률 데이터의 희소성을 극복했습니다:
  • 데이터셋 A: 호모중합체(사슬 크기 1, 2, 4)와 단량체를 포함하는 3,808개의 시뮬레이션.
  • 데이터셋 B: 교대 공중합체를 포함하는 8,627개의 시뮬레이션.
  • 이 데이터셋들은 각각 약 12시간과 38시간 만에 구축되었으며, 이는 DFT 대비 DFTB의 효율성을 입증합니다.
• 확률적 그래프 표현: GNN에서 확률적 결합을 구현함으로써 단일 그래프 기반 프레임워크 내에서 호모중합체와 공중합체를 모두 통합하여 표현할 수 있습니다.
• 불확실성 인지 예측: 몬테카를로 드롭아웃을 통한 베이지안 추론의 통합은 단순한 점 추정치가 아니라 분산 지표를 제공하며, 이는 데이터가 부족한 환경에서 예측의 신뢰성을 평가하는 데 매우 중요합니다.

4. 결과

프레임워크는 아크릴레이트 단량체 및 그 중합체를 대상으로 시연되었습니다:

• 예측 성능:
  • 단량체/호모중합체 GNN은 평균 절대 백분율 오차(MAPE) 11.83%, $R^2$ 0.9739, MSE 0.0015를 달성했습니다.
  • 공중합체 GNN은 MAPE 5.19%, $R^2$ 0.9745, MSE 0.00093으로 훨씬 더 높은 정확도를 보였습니다.
  • 불확실성 분석(100회의 몬테카를로 실행) 결과, 공중합체의 경우 표준 편차가 0.9 미만, 단량체/호모중합체의 경우 3.8 미만으로 제어된 분산을 보여주었습니다.
• 생성 성능:
  • GA 모델: 730개의 고유하고 유효한 단량체를 생성했습니다. 주목할 점은 이 중 **89.99%**가 원래 훈련 데이터셋에 전혀 없던 구조였다는 것이며, 이는 강력한 탐색 능력을 입증합니다. 모델은 편극률이 $\le 20$ Å$^3$인 구조에 대해 낮은 오차를 나타냈습니다.
  • GPT 모델: 126개의 유효한 단량체를 생성했으며, 이 중 **99.2%**가 고유하고 **78.23%**가 훈련 세트와 대비하여 새로운 구조였습니다. GPT 모델은 GA보다 더 넓은 범위의 편극률 값을 더 균일하게 탐색했지만, 모델의 확률적 특성과 데이터셋 크기로 인해 특정 목표값에 대한 상대 오차는 더 크게 나타났습니다.
• 화학 공간 탐색: t-SNE 시각화는 두 생성 모델이 분자량, 편극률, 반데르발스 부피, 굴절률로 정의된 기준 화학 공간의 거의 전체를 성공적으로 탐색했음을 확인시켜 주었습니다. 다만, 높은 굴절률 영역에서는 일부 공백이 존재했습니다.

5. 의의 및 주장

본 논문은 PolyGraphPy가 고도로 커스터마이징 가능하고, 오픈 소스이며, 모듈화된 파이프라인을 제공함으로써 고분자 정보학의 핵심적인 병목 현상을 해결한다고 주장합니다. 그 의의는 다음과 같습니다:

• 계산 비용 절감: DFTF를 활용함으로써, 프레임워크는 DFT 비용의 극히 일부만으로 ML 훈련을 위한 대규모 데이터셋 생성을 가능하게 하여 데이터 기반 고분자 설계의 실현 가능성을 높입니다.
• 발견 가속화: 예측 모델과 생성 알고리즘(GPT 및 GA)의 통합은 맞춤형 구조와 기능을 가진 고분자의 체계적인 de novo 설계를 촉진하여 재료 발견에 소요되는 시간을 크게 단축합니다.
• 신뢰성: 불확실성 정량화의 포함은 특성 예측이 정확할 뿐만 아니라 신뢰도를 측정할 수 있게 하며, 이는 실험적 노력을 가이드하는 데 필수적입니다.
• 접근성: GitHub에서 사용 가능한 오픈 소스 도구로서, 연구자들이 고급 ML 및 양자 시뮬레이션 기술을 고분자 과학에 적용하는 데 드는 장벽을 낮춥니다.

저자들은 현재 구현이 아크릴레이트와 정적 편극률에 집중되어 있지만, PolyGraphPy의 모듈형 특성 덕분에 다른 특성 및 고분자 시스템으로 쉽게 적응할 수 있으며, 이를 통해 재료 발견의 시간과 계산 비용을 획기적으로 줄임으로써 고분자 연구의 지형을 변화시킬 수 있다고 결론짓습니다.