Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation

당신이 새로운, 매우 강력한 건축 자재를 설계하려는 건축가라고 상상해 보십시오. 당신은 기존의 방대한 설계도 도서관을 뒤지며 패턴을 찾아내어 약간씩 수정하는 데 수년을 보낼 수도 있습니다. 하지만 만약 처음부터 완전히 새로운 설계도를 꿈꿀 수 있는 마법 같은 로봇이 있다면 어떨까요? 이것이 재료 과학 분야에서 **생성형 인공지능(Generative Artificial Intelligence)**이 약속하는 바입니다. 단순히 오래된 설계를 복사하는 대신, 이 AI 모델들은 더 나은 배터리, 더 빠른 컴퓨터, 또는 더 강한 다리를 만들 수 있는 새로운 결정 구조(원자들이 반복되는 미세한 패턴)를 발명하려고 시도합니다.

하지만 큰 문제가 하나 있습니다. AI가 정말로 새롭고 유용한 것을 발명하고 있는지, 아니면 그저 숙제를 베끼고 있는 것인지 어떻게 알 수 있을까요? 만약 로봇이 도서관을 암기한 뒤 색깔만 살짝 바꿔서 예전 설계도를 그대로 내뱉는다면, 그것은 발견이 아니라 표절입니다. 과학자들은 '훌륭한 발명품'과 '게으른 복제본'을 구분할 수 있는 '성적표'를 만들기 위해 노력해 왔습니다. 그들은 두 가지를 동시에 측정할 방법이 필요했습니다. 바로 품질(구조가 안정적이고 물리적으로 가능한가?)과 참신함(실제로 새로운 것인가, 아니면 이미 알고 있는 것의 재활용인가?)입니다.

여기서 이 문제를 해결하는 영리한 해결책을 제시하는 새로운 논문이 등장합니다. 저자들인 연구진은 이전의 방법들이 마치 그림을 평가할 때 프레임(액자)만 보거나 색상만 보고, 둘 다 함께 보지는 못하는 것과 같다는 점을 깨달았습니다. 그들은 **조대-미세 운송 거리(Coarse-Fine Transport Distance, CFTD)**라는 새로운 점수 체계를 도입했습니다. 이것은 마치 두 개의 렌즈를 가진 카메라와 같습니다. 한 렌즈는 AI가 복제하고 있는지 확인하기 위해 확대해서 보고(‘미세’ 렌즈), 다른 렌즈는 구조가 물리적으로 건전하고 안정적인지 확인하기 위해 축소해서 봅(‘조대’ 렌즈).

이 논문은 단순히 성적을 매기는 데 그치지 않고, 이 렌즈들을 사용하여 AI를 더 잘 가르치는 방법을 보여줍니다. 강력한 물리 시뮬레이터인 MACE로부터 추출한 '좋은 재료'의 조대(coarse)한 요약본을 AI에게 입력함으로써, 연구진은 AI가 참신하면서도 안정적인 구조를 꿈꿀 수 있도록 유도할 수 있었습니다. 결과는 이 이중 렌즈 접근 방식이 기존 방식보다 AI가 '모드 붕괴(mode collapsing, 특정 아이디어에 갇혀 반복하는 현상)' 상태에 빠졌을 때 이를 포착하는 데 훨씬 뛰어나다는 것을 보여주었습니다. 이는 AI가 새로운 재료를 발견했을 때, 그것이 정교한 위조품이 아니라 진정한 돌파구가 되도록 만드는 데 있어 중요한 진전입니다.

AI의 꿈을 위한 두 개의 렌즈 카메라

당신이 학생의 미술 프로젝트를 채점하는 선생님이라고 상상해 보십시오. 학생이 완전히 새롭고 이전에 본 적 없는 풍경화를 그렸다고 주장합니다. 당신은 어떻게 확인할까요?

1. '미세' 렌즈 (복제 탐지기): 당신은 붓터치를 자세히 살펴봅니다. 학생이 교과서에 있는 유명한 그림을 그대로 따라 그린 것인가요? 결정(crystal)의 세계에서 이것은 AI가 훈련 데이터로부터 구조를 단순히 암기했는지 확인하는 과정입니다. 저자들은 대비 학습(contrastive) AI(유사성을 포착하도록 훈련된 스마트 탐지기)를 사용하여, 새로운 결정이 기존 것의 약간 변형된 버전인지 확인합니다. 너무 유사하다면 그것은 복제입니다.
2. '조대' 렌즈 (안정성 체크): 당신은 뒤로 물러나 전체 그림을 봅니다. 풍경이 말이 되는가? 산이 공중에 떠 있지는 않은가? 물이 언덕 위로 흐르고 있지는 않은가? 결정의 경우, 이는 원자들이 물리적으로 안정적인 방식으로 배열되어 있는지를 확인하는 것을 의미합니다. 저자들은 MACE라고 불리는 '기계 학습 원자 간 포텐셜(Machine-Learning Interatomic Potential, MLIP)'을 사용하며, 이는 물리 전문가 역할을 합니다. 그들은 이 전문가 모델의 '숨겨된 생각(특징)'을 사용하여 새로운 결정이 물리적으로 안정적인 느낌을 주는지 확인합니다로.

이 논문은 이 두 가지 검사를 하나의 점수로 결합하는 CFTD를 소개합니다. 이름은 MACE로부터 얻은 '조대(Coarse)'한 정보(거시적 안정성)와 대비 모델로부터 얻은 '미세(Fine)'한 정보(상세한 정체성 확인)에서 유래되었습니다.

기존 채점 시스템이 실패한 이유

이 논문 전에는 과학자들이 주로 SUN 지표(안정성, 고유성, 참신함)를 사용했습니다. 문제는 SUN이 마치 선생님이 숙지를 한 페이지씩 검사하듯 결정 하나하나를 개별적으로 체크한다는 점입니다. 만약 AI가 똑같은 '좋은' 결정을 1,000번 복제하여 생성한다면, SUN 지표는 모든 복제본이 서로 비교했을 때 고유하고 모두 안정적이기 때문에 높은 점수를 줄 수도 있습니다. 이는 더 큰 그림을 놓치는 것입니다. 즉, AI가 똑같은 아이디어를 계속 반복하며 정체되어 있다는 사실(모드 붕괴)을 알아채지 못합니다.

저자들은 이러한 행동을 잡아내기 위해서는 결과의 분포, 즉 생성된 결정 전체의 집합이 훈련 데이터 전체의 집합과 어떻게 다른지를 보아야 한다고 주장합니다. 또한 그들은 품질과 참신함을 함께 측정하려 했던 이전의 시도들(예: TNovD 지표)에 결함이 있었다는 것을 발견했습니다. 즉, AI가 더 안정적인 결정을 생성하도록 만들면, 지표가 실수로 그 결정들이 덜 참신하다고 판단하거나 그 반대의 상황이 발생하는 제로섬 게임(zero-sum game)이 발생한다는 것입니다.

"골디락스" 솔루션

저자들의 핵심 아이디어는 품질과 참신함을 동일한 자로 측정하려 하지 않는 것입니다. 대신, 두 개의 서로 다른 자(특징 추출기)를 사용하고 **"골디락스 존(Goldilocks Zone)"**을 만듭니다.

세 영역이 있는 복도를 상상해 보십시오:

• "너무 가까운" 영역 (암기): 새로운 결정이 훈련된 결정과 너무 유사하다면(미세 렌즈에 의해 감지됨), 그것은 복제입니다.
• "너무 먼" 영역 (나쁜 품질): 물리적 측면에서 결정이 너무 다르다면(조대 렌즈에 의해 감지됨), 그것은 불안정하며 작동하지 않을 가능성이 높습니다.
• "딱 적당한" 영역 (골디락스 존): 이곳은 결정이 충분히 새로워(new) 새로운 것이면서도, 동시에 물리적으로 실재할 만큼 안정적인(stable) 최적의 지점입니다.

CFTD 지표는 얼마나 많은 결정이 이 골디락스 존 외부에 있는지를 계산합니다. 만약 AI가 패턴을 반복(암기)하거나 실패(불안정한 쓰레기를 생성)한다면 점수가 올라갑니다. 만약 AI가 일을 아주 잘하고 있다면 점수는 내려갑니다.

연구 결과

연구팀은 이 새로운 지표를 기존의 결정 생성 AI 모델들에 테스트했습니다. 발견한 내용은 다음과 같습니다:

• 반복 탐지: 연구진이 모드 붕괴(가능한 구조 중 아주 작은 부분집합만 생성하는 현 현상)를 일으키는 AI를 시뮬레이션했을 때, CFTD 지표는 즉시 이를 불량으로 표시했습니다. 연속적인 SUN 지표와 같은 기존 방식은 개별 결정만을 보았기 때문에 이 현상을 놓쳤습니다.
• 과적합(Overfitting) 탐지: 연구진은 아주 작은 데이터셋(단 2,000개의 재료)으로 모델을 훈련시켰습니다. 모델이 훈련을 지속함에 따라 데이터를 암기하기 시작했고, CFTD 점수가 상승하여 모델이 과적합되고 있음을 보여주었습니다. 흥amente하게도, 이는 결정이 '이완(relaxation, 안정성을 위해 최적화)'된 후에야 관찰되었는데, 이는 이 지표가 물리 시뮬레이션과 결합될 때 가장 효과적임을 입증합니다.
• AI 가이드: 저자들은 이 지표를 단순히 채점하는 데 그치지 않고, 가르치는 데 사용했습니다. 그들은 조대(coarse)한 MACE 특징에 따라 '조건화(conditioned)'된 새로운 AI 생성기를 구축했습니다. 그들은 AI에게 안정적인 재료의 요약본을 입력하고, 그 요약에 맞는 결정을 만들라고 요청했습니다.
  • 결과는 어떠했을까요? AI는 명령을 성공적으로 수행했습니다. 안정적인 재료의 요약본을 주면 안정적인 재료를 생성했고, 다른 재료의 요약본을 주면 그것을 생성했습니다.
  • 하지만 훈련 데이터의 요약본을 사용했기 때문에 AI가 다소 암기하는 경향이 나타났습니다. 이는 '조대'한 특징이 강력한 가이드가 될 수 있지만, 다음 단계는 AI에게 기존 것을 복사하는 것이 아니라 새로운 요약을 생성하도록 가르치는 것임을 시사합니다.

시사점

이 논문은 물리 시뮬레이터(MACE 등)의 '숨겨진 지식'을 가이드이자 채점자로 사용하는 것이 재료 과학의 판도를 바꿀 수 있음을 시사합니다. "이것이 복제인가?"를 확인하는 것과 "이것이 안정적인가?"를 확인하는 것을 분리함으로써, 새로운 CFTD 지표는 AI가 진정으로 새로운 재료를 발명하고 있는지, 아니면 그저 흉내를 내고 있는지를 훨씬 더 명확하게 보여줍니다.

저자들은 이러한 '조대'한 특징들이 압축되어 있음에도 불구하고 재료의 안정성과 구성에 대한 매우 유용한 정보를 담고 있다는 것을 보여주었습니다. 비록 아직 '완벽하게' 참신한 재료를 생성하는 문제를 완전히 해결한 것은 아니지만, 그들은 가능한 결정의 광대한 영역을 항해하기 위한 훨씬 더 나은 지도를 제공함으로써, 차세대 AI 발견이 실제적이고, 안정적이며, 진정으로 새로운 것이 되도록 보장하고 있습니다.