🤖 machine learning

Discovering Crystal Structure Prediction Algorithms with an AI Co-Scientist

이 논문은 교차 도메인 탐색과 희소한 인간 가이드를 활용하여 MaskGIT 비전 모델을 표준 벤치마크에서 우수한 정확도를 달est하는 최첨단 결정 구조 예측 알고리즘인 MaskGXT로 적응시키는 인간-AI 공동 발견 시스템인 HACO를 소개한다.

원저자: Kiyoung Seong, Nayoung Kim, Sungsoo Ahn

게시일 2026-06-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Kiyoung Seong, Nayoung Kim, Sungsoo Ahn

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

당신이 완벽한 레고 성을 만들려고 노력 중이라고 상상해 보세요. 하지만 설명서는 없고, 오직 당신이 가진 레고 블록의 목록(화학 성분)만 알고 있습니다. 당신의 목표는 이 블록들을 결합하여 안정적이고 아름다운 구조물을 만드는 것입니다. 이것이 바로 **결정 구조 예측(Crystal Structure Prediction, CSP)**의 과제입니다. 즉, 원자들이 어떻게 스스로 배열되어 고체 결정을 형성하는지 알아내는 것입니다.

오랫동안 과학자들은 직접 컴퓨터 프로그램을 작성하여 구조를 추측하는 방식으로 이 문제를 해결하려 노력해 왔습니다. 하지만 이 논문에서 KAIST 연구진은 새로운 방식을 도입했습니다. 바로 **AI "공동 과학자(Co-Scientist)"**가 스스로 최적의 프로그램을 작성하도록 만든 것입니다.

이들이 어떻게 해냈는지에 대한 이야기를 아주 쉽게 설명해 드리겠습니다.

1. AI 공동 과학자 (HACO)

연구자들을 "프로젝트 매니저"라고 한다면, AI는 똑똑하고 지치지 않는 "주니어 엔지니어"와 같습니다.

목표: 매니저들은 AI에게 "우리는 화학 목록으로부터 안정적인 결정을 만들 수 있는 프로그램이 필요해"라고 말했습니다.
반전: AI에게 만드는 방법(예: "이 특정 수학 공식을 사용해")을 구체적으로 지시하는 대신, 컴퓨터 비전(컴퓨터가 이미지를 보는 방식)이나 언어 처리와 같은 다른 분야의 방대한 아이디어 라이브러리를 제공했습니다.
탐색: AI는 수천 가지의 서로 다른 아이디어들을 테스트하기 시작했습니다. 이는 마치 요리사가 이탈리아, 일본, 멕시코 요리의 레시피를 시도하며 어떤 것이 가장 맛있는 케이크를 만드는지 확인하는 것과 같습니다. 대부분의 아이디어는 실패했지만, AI는 모든 실수로부터 배우며 계속해서 시도했습니다.

2. 위대한 발견: 시각 지능에서 빌려온 아이디어

AI는 완전히 다른 분야에서 "비법 소스"를 찾아냈습니다. 바로 **컴퓨터 비전(Computer Vision)**입니다.
MaskGIT이라는 기술이 있는데, 이는 흐릿하거나 누락된 이미지 부분을 복구하는 데 사용됩니다. 퍼즐 조각 중 일부가 가려져 있다고 상상해 보세요. AI는 주변 조각들을 보고 그 아래에 무엇이 있을지 추측합니다.

AI는 깨달았습니다. "잠깐, 결정(Crystal)은 그냥 3D 퍼즐이잖아! 만약 결정을 조각이 빠진 그림처럼 취급한다면, 이 '추측' 기술을 사용해 결정을 만들 수 있어."
이는 엄청난 도약이었습니다. 왜냐하면 이 특정 "이미지 복구" 방식을 결정 구축에 사용하려는 시도는 아무도 하지 않았기 때문입니다.

3. 인간의 손길: 희소 제어 (Sparse Steering)

AI는 혼자 일하지 않았습니다. 인간 과학자들은 가이드(Guide) 역할을 했습니다.

그들은 코드를 쓰거나 설정을 미세하게 조정하지 않았습니다.
대신, "결정은 대칭성(회전해도 모양이 같음)을 가지고 있으니, 네 추측이 그 규칙을 존ell하도록 해"라거나, "때로는 같은 성분으로도 다른 모양(다형체, Polymorphs)을 만들 수 있으니, 모든 가능한 형태를 찾도록 해"와 같은 높은 수준의 힌트를 주었습니다.
AI는 이 힌트들을 받아들여 자신의 코드를 스스로 다시 작성했습니다.

4. 결과물: MaskGXT

최종 결과물은 MaskGXT라고 불리는 새로운 AI 모델입니다.

작동 방식: MaskGXT는 결정을 연속적으로 그리는 대신(마치 화가가 색을 섞는 것처럼), 결정을 하나의 단어 문장처럼 취급합니다. 결정을 "토큰(Tokens)"(모양, 각도, 대칭성을 나타내는 레고 블록 같은 단위)으로 분해합니다.
과정: 빈 상태(모든 토큰이 가려진 상태)에서 시작하여, 확신도를 바탕으로 각 위치에 가장 적합한 "단어"(또는 블록)를 하나씩 채워 나갑니다.
"다형체(Polymorph)" 기술: 하나의 성분으로도 다양한 모양을 만들 수 있기 때문에, AI는 단순히 하나의 모양만 추측하지 않습니다. 먼저 "대칭" 단서를 확인한 다음, 여러 가지 높은 확률을 가진 모양들을 동시에 시도하며 가지를 뻗어 나갑니다. 이를 통해 유효한 옵션을 놓치지 않도록 보장합니다.

5. 성공했는가?

네, 경쟁 모델들을 압도했습니다.

연구진은 표준 결정 데이터베이스(MP-20 및 MPTS-52)를 통해 MaskGXT를 테스트했습니다.
성적: 다양한 형태(다형체)를 찾는 과정에서 MaskGXT는 기존의 최고 방식(약 71%)보다 높은 **79%**의 정확도로 올바른 결정 구조를 찾아냈습니다.
또한 표준 테스트에서 최고의 점수를 기록하며, 기존 방식보다 더 정확하고 올번 형태를 잘 찾아낸다는 것을 증명했습니다.

핵심 요약

이 논문은 단순히 새로운 결정 구축 도구에 관한 것이 아닙니다. 이는 AI가 어떻게 새로운 과학적 방법론을 발견할 수 있는지를 보여주는 개념 증명입니다.

AI는 자신의 분야 밖을 내다보았습니다 (시각 지능에서 아이디어를 빌려옴).
이를 인간의 가이드(대칭 규칙)와 결합했습니다.
그리고 인간이 스스로 설계하기 어려웠던 더 나은 알고리즘을 만들어냈습니다.

연구진은 이를 **"인간-AI 공동 발견(Human–AI Co-discovery)"**이라고 부릅니다. 이는 인간이 목표를 설정하고 높은 수준의 힌트를 주며, AI가 탐색과 코딩이라는 힘든 일을 수행할 때, 이전보다 더 빠르고 더 훌륭하게 어려운 과학적 난제를 해결할 수 있음을 보여줍니다.

기술 요약: AI 공동 과학자를 통한 결정 구조 예측 알고리즘의 발견

문제 정의
결정 구조 예측(Crystal Structure Prediction, CSP)은 화학 조성으로부터 안정적인 결정 구조를 생성해야 하는 계산 재료 발견 분야의 핵심 과제입니다. 이 문제는 주기성(결정이 공간에서 반복됨), 토러스(torus) 상의 분수 좌표, 공간군 대칭성, 그리고 단일 조성에 대한 다중 다형체(polymorph) 존재성이라는 제약 조건을 가집니다. 최근 생성 모델링(예: 확산 모델, 플로우 매칭)의 발전이 CSP를 개선해 왔으나, 이러한 모델들은 종종 확률적 또는 반복적 샘플링을 요구하는 연속적 정식화(continuous formulations)에 의존하며, 확신 있는 탐욕적 디코딩(greedy decoding)을 위한 유한한 이산 결정 공간(finite discrete decision space)이 부족합니다. 또한, 기존의 AI 연구 에이전트들은 일반적으로 주어진 모델 패밀리에 대해 코드나 하이퍼파라미터를 최적화하는 고정된 문제 명세 내에서 작동하며, 다양한 도메인을 가로질러 새로운 모델링 원리를 발견하지는 못합니다.

방법론: HACO 시스템
저자들은 교차 도메인 탐색과 희소한 인간 유도(sparse human steering)를 통해 과학적 알고리즘을 발견하도록 설계된 프레임워크인 HACO(Human–AI Co-discovery system)를 소개합니다. HACO는 다음 두 가지 핵심 원칙에 따라 작동합니다:

교차 도메인 전이(Cross-Domain Transfer): 기존의 도메인 특화 모델을 미세 조정하는 대신, 다양한 분야(시각, 언어 등)의 생성 모델링 프레임워크를 탐색하여 전이 가능한 원리를 식별합니다.
희소한 인간 상호작용(Sparse Human Interaction): 인간은 고수준의 목표나 메커니즘(예: "다형체 커버리지 개선" 또는 "대칭성 포함")을 제공하며, 에이전트는 구현, 훈련, 평가 및 정제를 담당합니다.

HACO는 LLM(Claude Opus 4.7)에 의해 조율되는 트리 구조의 탐색을 채택합니다. 탐색은 세 단계로 진행됩니다:

발견 단계(Discovery Stage): 생성 방법론을 탐색합니다 (후보당 2시간 예산).
스케일업 단계(Scale-up Stage): 더 큰 예산으로 선택된 방법론을 최적화합니다 (12시간 예산).
샘플링 최적화(Sampling Optimization): 샘플링 알고리즘을 튜닝합니다.

주요 연산자로는 idea(교차 도메인 프레임워크 제안), draft(코드 인스턴스화), improve(일관된 변경 수행), debug가 있습니다. 특히 idea 연산자는 컴퓨터 비전 분야의 마스크 생성 모델인 MaskGIT을 CSP의 유망한 후보로 식별했습니다.

결과물 알고리즘: MaskGXT
HACO 과정을 통해 시스템은 MaskGXT(Masked Generative Crystal Transformer)를 개발했습니다. 연속적인 확산 모델과 달리, MaskGXT는 CSP를 이산 토큰 생성 작업으로 정식화합니다.

토큰화(Tokenization): 결정은 $1 + 6 + 5N$ $1 + 6 + 5 N$ 개의 토큰 시퀀스로 표현됩니다:
- 1개의 공간군(Space Group) 토큰.
- 6개의 격자(Lattice) 토큰 (양자화된 길이 및 각도).
- $5N$ 개의 사이트(Site) 토큰: 3개의 양자화된 좌표 토큰, 1개의 와이코프(Wyckoff) 위치 토큰, 1개의 원자 유형 토큰.
- 원자 유형은 부가 정보(conditioning)로 제공됩니다.
이산화 및 평활화(Discretization & Smoothing): 연속적인 분수 좌표는 원(circle) 상의 이산 빈(bin)으로 매핑됩니다 (modulo 1). 메트릭 구조를 보존하기 위해, 모델은 좌표에 대해 단순 카테고리가 아닌 **순서형 원형 라벨 평활화(ordinal, circular label smoothing)**를 사용하고, 격자 매개변수에 대해서는 표준 순서형 평활화를 사용합니다.
대칭성 처리: 모델은 유클리드 정규화 원점 이동(Euclidean-normalizer origin shifts) 및 내부/외부 궤도 치환(intra/inter-orbit permutations)과 같은 온라인 증강을 통해 서로 다른 단위 격자 원점 및 원자 순서에 대해 일관된 공간군 및 와이코프 토큰을 학습합니다.
아키텍처: QK 정규화 셀프 어텐션과 SwiGLU 피드포워드 네트워크를 갖춘 양방향 트랜스포머 트렁크(bidirectional Transformer trunk)를 사용합니다. 여기에는 이산 빈 해상도를 넘어 기하학적 정밀도를 정교화하기 위해 **서브 빈 오프셋(sub-bin offsets)**을 예측하는 경량 회귀 헤드가 포함됩니다.
샘플링:
- 공간군 층화 샘플링(Space Group Stratified Sampling): 모델은 공간군에 대한 사후 확률을 예측합니다. 다형체 커버리지를 위해, 모델은 가장 높은 사후 확률을 가진 공간군들을 위해 별도의 생성 스트림으로 분기됩니다.
- 신뢰도 기반 탐욕적 디코딩(Confidence-Ranked Greedy Decoding): 확률적 샘플링 대신, 모델은 가장 높은 신뢰도를 가진 토큰을 결정론적으로 언마스킹(unmask)하여 효율적인 고확률 구조 생성을 가능하게 합니다.

주요 기여

HACO 프레임워크: AI 공동 과학자가 인간의 희소한 목표 유도 하에, (비전 분야의 MaskGIT과 같은) 전이 가능한 모델링 원리를 식별하고 이를 결정론적 CSP에 적응시켜 최첨단 알고리즘을 생성할 수 있음을 입증했습니다.
MaskGXT: 격자, 좌표, 공간군 및 와이코프 위치를 단일 토큰 시퀀스로 통합하여 확신 있는 탐욕적 디코딩과 명시적인 대칭성 처리를 가능하게 하는 결정적 마스크 생성 트랜스포머를 도입했습니다.
성능 향상: 단일 MaskGXT 모델이 표준 벤치마크에서 최첨단 일치율(match rates)을 달여냈으며, 다형체 커버리지를 크게 개선했음을 보여줍니다.

실험 결과
모델은 MP-20 및 MPTS-52 벤치마크, 그리고 MP-20 다형체 분할(단일 조성당 여러 구조의 커버리지를 테스트함)을 통해 평가되었습니다.

표준 CSP (일대일 대응): MaskGXT는 MP-20(필터링 전 73.79%) 및 MPTS-52(필터링 전 36.75%) 모두에서 가장 높은 일치율(MR)을 기록하며 Crystalite, MCFlow, FlowMM과 같은 강력한 베이스라인을 능가했습니다. 또한 가장 낮은 일치 쌍 RMSE를 달성했습니다.
다형체 커버리지 (METRe): MP-20 다형체 분할에서 MaskGXT는 가장 강력한 베이스라인인 Crystalite(70.87%)에 비해 79.06%의 METRe(Match-Everyone-to-Reference) 정확도에 도달했습니다. 이러한 개선은 서로 다른 고확률 공간군에 생성 예산을 할당하는 공간군 층화 샘플링 덕분입니다.
절제 연구(Ablation Studies):
- 대칭성 토큰을 제거하면 다형체 분할에서의 METRe가 크게 감소하여, 명시적 대칭성 모델링의 필요성을 확인했습니다.
- 서브 빈 오프셋 회귀를 제거하면 일치율에는 미미한 영향을 미쳤으나 RMSE가 실질적으로 증가하여, 기하학적 정밀도에서의 역할을 입증했습니다.
- 탐욕적 디코딩은 단일 구조 정확도를 개선했고, 층화 샘플링은 다형체 커버리지에 필수적이었습니다.

의의 및 주장
본 논문은 "저렴하고 빠르며 검증이 잘 정렬된(cheap, fast, and well-aligned validation)" 도메인(자동화된 구조 매칭이 있는 CSP와 같은)에서, 전이 가이드형 상호작용 AI 공동 과학자가 과학적 알고리즘 발견에 기여할 수 있다고 주장합니다. 구체적으로, 시스템은 성공적으로 다음을 수행했습니다:

관련 없는 분야(비전의 마스크 생성 모델링)의 모델링 원리를 식별하고 이를 결정학적 제약 조건에 적응시켰습니다.
이러한 전이를 타겟팅된 인간 도메인 가이드(예: 대칭성을 인식하는 생성 요청)와 결합하여 알고리즘을 정교화했습니다.
인간이 저수준의 구현 세부 사항을 지정할 필요 없이 경쟁력 있는 알고리즘을 생성했습니다.

저자들은 이 루프의 성공이 CSP 문제의 특정 구조(고정된 데이터셋, 빠른 훈련 사이클, 신뢰할 수 있는 검증 지표)에 의존한다고 언급했습니다. 이들은 물리적 실험이나 약한 프록시 목적 함수를 가진 도메인으로 이 접근법을 확장하려면 더 구조화된 평가와 더 강력한 인간 유도가 필요할 것이라고 제언합니다.