🤖 machine learning

Symmetry-Breaking De Novo Crystal Generation via Markovian Jump Diffusion

이 논문은 마르코프 점프 과정을 활용하여 대칭성을 자발적으로 깨뜨리고 전역적 구조 의존성을 가진 완전한 결정 구조를 생성함으로써 기존의 대칭 보존 모델보다 표준 벤치마크에서 현저히 뛰어난 성능을 보이는 새로운 확산 기반 프레임워크인 대칭성 붕괴 결정 확산(Symmetry-breaking Crystal Diffusion, SbCD)을 소개한다.

원저자: Van Khoa Nguyen, Alexandros Kalousis

게시일 2026-08-14

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Van Khoa Nguyen, Alexandros Kalousis

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

우주가 원자라고 불리는 아주 작고 보이지 않는 레고 블록으로 만들어졌다고 상상해 보세요. 이 원자들이 반복적이고 질서 정연한 패턴으로 서로 맞물릴 때, 결정(crystal)이 형성됩니다. 이것들은 단순히 예쁜 돌이 아닙니다. 여러분의 스마트폰 배터리부터 컴퓨터 칩, 심지어 우리를 건강하게 유지해 주는 의약품에 이르기까지 모든 것의 뒤에 숨겨진 비법입니다. 수십 년 동안 과학자들은 이 원자 블록들을 섞고 조합하여 더 새롭고 더 나은 결정을 설계하려고 노력해 왔지만, 이는 시행착오를 거치는 느리고 좌절스러운 게임이었으며, 단 하나의 유용한 구조를 찾는 데만 종종 수년이 걸리기도 했습니다.

최근 몇 년 사이, 컴퓨터는 '생성 모델(generative models)'을 사용하여 도움을 주기 시작했습니다. 이들을 기존의 수백만 가지 레시피를 공부하여 새로운 결정 레시피를 만들어내는 '디지털 셰프'라고 생각하면 됩니다. 하지만 대부분의 디지털 셰프들에게는 큰 사각지대가 있습니다. 요리를 시작하기도 전에 특정하고 엄격한 규칙(공간군, space group)을 따르도록 지시받는다는 점입니다. 이들은 새로운 것을 만들기 위해 규칙을 깨는 상상을 할 수 없습니다. 현실 세계에서 결정은 조건이 변함에 따라 내부 규칙을 바꾸는 경우가 많은데, 이를 '대칭성 깨짐(symmetry breaking)'이라고 합니다. 지금까지 우리의 디지털 셰프들은 이러한 자연스러운 유연성을 모방할 수 없었기에, 진정으로 새로운 물질을 발견하는 데 한계가 있었습니다.

이때 **대칭성 깨짐 결정 확산(Symmetry-breaking Crystal Diffusion, SbCD)**이라는 새로운 접근 방식이 등장했습니다. 이 방식은 컴퓨터에게 조금 더 반항적인 태도를 가르칩니다. 결정이 처음부터 엄격한 규칙을 따르도록 강요하는 대신, SbCD는 가능한 가장 혼란스럽고 규칙이 없는 상태(최저 대칭성)에서 시작합니다. 그 후, 마치 대리석 덩어리에서 조각상이 드러나듯, 대칭성 깨짐의 과정을 서서히 역순으로 진행하여 결정이 단순한 저대칭 상태에서 복잡하고 질서 정연한 구조로 진화하도록 합니다. 이 과정은 자연계의 실제 결정들이 압력이나 열 아래에서 고대칭 상태에서 저대칭 상태로 변화하는 방식에서 영감을 받았습니다.

이 방법을 개발한 연구자들인 반 코아 응우옌(Van Khoa Nguyen)과 알렉산드로스 칼루시스(Alexandros Kalousis)는 '마르코프 점프 확산(Markovian jump diffusion)'이라는 수학적 도구를 사용하여 이러한 변화를 모델링했습니다. 결정이 고대칭 상태에서 시작하여 무작위적인 순간에 더 단순한 저대칭 상태로 '점프'하는 게임을 상상해 보세요. 컴퓨터는 이 게임을 역순으로 수행하는 법을 배웁니다. 즉, 가장 단순하고 깨진 상태(최저 대칭성)에서 시작하여 다시 위로 '점프'하며 복잡하고 안정적인 결정을 만들어내는 것입니다. 이렇게 함으로써 모델은 단순히 기존의 패턴을 복사하는 것이 아니라, 결정이 어떻게 형성되고 변화하는지에 대한 근본적인 논리를 학습합니다.

연구진이 SbCD를 두 개의 주요 결정 데이터베이스(MP-20 및 MPTS-52)에 테스트했을 때, 결과는 유망했습니다. 이 모델은 화학적으로 타당할 뿐만 아니라, 기존 방식들에 비해 열역학적으로 안정적(즉, 쉽게 분해되지 않는 상태)일 가능성이 높은 새로운 결정 구조들을 생성해 냈습니다. 결정적으로, SbCD는 어떤 규칙을 따르라고 미리 알려주지 않아도 특정 대칭 규칙과 원자 위치를 포함한 완전한 결정 명세를 성공적으로 생성한 첫 번째 사례였습니다. 이 논문은 이것이 in silico(컴퓨터 기반) 재료 발견의 중요한 진전임을 시사하지만, 저자들은 이것이 하나의 '개념 증명(proof of concept)'이라고 언급했습니다. 이 모델은 여전히 실제 실험실에서의 검증이 필요하며, 향-후 연구는 '점프' 과정을 실제 재료의 복잡한 물리학을 반영할 수 있도록 더욱 사실적으로 만드는 데 집중될 것입니다. 하지만 현재로서는, 이 새로운 디지털 조각가는 결정을 스스로의 규칙을 깨뜨리게 허용하는 것이 차세대 기술을 구축하는 열쇠가 될 수 있음을 보여주었습니다.

기술 요약: 마르코프 점프 확산을 통한 대칭성 붕괴 기반 데 노보(De Novo) 결정 생성

문제 정의

새로운 결정성 재료의 발견은 에너지 저장, 반도체, 제약 분야의 발전에 매우 중요하지만, 전통적인 실험적 발견 방식은 느리고 비용이 많이 듭니다. 생성 모델이 in silico 스크리닝을 위한 도구로 부상했음에도 불구하고, 기존의 접근 방식은 전역적 대칭성과 구조적 의존성을 포착하는 데 있어 상당한 한계에 직면해 있습니다. 현재의 최첨단 방법들은 일반적으로 사이트 대칭(site symmetries)까지만 결정을 생성하거나, 생성 과정 중에 경험적 분포로부터 공간군(space groups)을 샘플링하는 방식에 의존합니다. 이러한 사전 정의된 또는 경험적으로 샘플링된 공간군에 대한 의존성은 모델이 결정 구조의 전체 분포를 학습하는 능력을 제한하며, 특히 와이코프 위치(Wyckoff positions)와 관련하여 미학습 구성에 대한 일반화 성능을 저하시키는 결과를 초래합니다. 또한, 많은 방법들이 공간군, 격자 제약 조건, 사이트 대칭 간의 상호 의존성을 별개의 요소나 고정된 제약 조건으로 취급할 뿐, 이를 생성 과정의 동적인 구성 요소로 명시적으로 모델링하지 못합니다.

방법론

저자들은 가장 낮은 대칭성의 사전 분포(priors)로부터 역전(reversing)함으로써 완전한 결정 구조 사양을 생성하는 새로운 확산 기반 프레임워크인 **대칭성 붕괴 결정 확산(Symmetry-breaking Crystal Diffusion, SbCD)**을 제안합니다. 이 방법론은 물리에서의 **자발적 대칭성 붕괴(spontaneous symmetry breaking, SSB)**에서 영감을 받았습니다. 여기서 질서 정연한 상(ordered phases)은 외부 조건 하에서 더 높은 대칭성이 깨지며 나타납니다.

핵심 프레임워크

SbCD는 연속적 및 이산적 시간과 상태 공간에 걸친 확산 기반 학습 목표를 통합합니다. 모델은 결정 구조를 비대칭 단위 튜플 $M = (F, A, k, S, G)$ 로 표현합니다. 여기서 $F$ 는 분율 좌표, $A$ 는 원자 유형, $k$ 는 불변 격자 표현, $S$ 는 사이트 대칭, $G$ 는 공간군입니다.

공간군을 위한 마르코프 점프 확산:
공간군을 고정하는 기존 방법들과 달리, SbCD는 공간군 $G$ 를 무작위 시간 단계 $\tau$ 에서 고대칭 공간군 $\tilde{G}$ 에서 저대칭 공간군 $G$ 로 진화하는 동적 변수로 모델링합니다.
- 순방향 과정(Forward Process): 무작위 시간 단계 $\tau$ 에서 고대칭 공간군 $\tilde{G}$ 에서 저대칭 공간군 $G$ 로(최종적으로는 항등 연산만을 가진 삼사정계인 $P1$ 에 도달) 전이함으로써 SSB를 시뮬레이션합니다. 이는 시간 의존적 속도 행렬 $\Lambda_t$ 에 의해 제어됩니다.
- 역방향 과정(Reverse Process): 가장 낮은 대칭성의 사전 분포( $P1$ )에서 더 높은 대칭성의 공간군으로 전이하는 법을 학습하여, 효과적으로 "대칭성을 회복"합니다.
- 변분 경계(Variational Bound): 저자들은 원자 유형, 분율 좌표, 공간군, 그리고 조건부 격자/사이트 대칭 항으로 분해되는 음의 로그 가능도에 대한 변분 상한을 유도합니다.
연속 상태 공간(격자)에서의 대칭성 붕괴 확산:
격자 표현 $k$ 는 결정족(crystal family)과 공간군에 의해 제약됩니다. SbCD는 공간군이 전이함에 따라 격자 제약 조건이 적응적으로 변화하는 대칭성 붕괴 확산 과정을 도입합니다.
- 순방향 커널은 현재의 공간군 제약을 준수하는 마스킹 메커니즘을 적용합니다. 점프가 $\tau$ 에서 발생하면, 마스크와 바이어스 파라미터는 새로운 저대칭 제약을 반영하도록 업데이트됩니다.
- 역방향 과정은 이전 및 현재 공간군의 제약 사이를 보간하는 해석적 형태를 사용하여, 생성된 격자가 궤적 전반에 걸쳐 유효하게 유지되도록 보장합니다.
이산 상태 공간(사이트 대칭)에서의 대칭성 붕계 확산:
사이트 대칭 $S$ 를 모델링하기 위해, 저자들은 이전 연구(예: SymmCD)에서 사용된 복잡한 이진 행렬 대신 81개의 독특한 방향성을 가진 사이트 대칭 기호를 나타내는 단순화된 원-핫 벡터 표현을 제안합니다.
- 보간된 사전 분포(Interpolated Prior): 공간군이 $\tilde{G}$ 에서 $G$ 로 전이함에 따라 사이트 대칭에 대한 주변 사전 분포가 변화합니다. 저자들은 확률 심플렉스(probability simplex) 상의 직선을 따라 두 공간군의 주변 사전 분포( $\tilde{g}$ 와 $g$ ) 사이를 선형적으로 보간하는 시간 의존적 사전 분포 $\pi_t$ 를 정의합니다.
- 이를 통해 확산 과정이 전역 대칭이 붕괴함에 따라 사이트 대칭 상태를 매끄럽게 전이할 수 있게 하며, 생성된 상태를 가장 가까운 점군(point group)으로 투영해야 하는 필요성을 방지합니다.

주요 기여

이론적 통합: 저자들은 공간군 분포를 고정된 제약이 아닌 학습 가능한 구성 요소로 취급하여, 결정 구성 요소 간의 구조적 의존성을 명시적으로 통합하는 변분 경계를 유도했습니다.
마르코프 점프 확산: 공간군 전이를 모델링하기 위해 마르코프 점프 확산을 사용하는 원칙적인 접근 방식을 도입하여, 물리적으로 동기화된 방식(SSB 모사)으로 서로 다른 공간군을 가로지를 수 있게 했습니다.
적응형 제약: 확산 궤적 동안 공간군 제약을 적응적으로 강제하는 연속(격자) 및 이산(사이트 대칭) 상태 공간에 대한 새로운 확산 프로세스를 개발했습니다.
단순화된 표현: 사이트 대칭의 분포를 포착하는 데 용이하고 더 안정적인 생성 구조를 제공하는 단순화된 원-핫 표현을 제안했습니다.
완전한 사양 생성: SbCD는 추론 중에 이러한 요소들의 경험적 샘플링에 의존하지 않고 공간군과 와이코프 위치를 포함한 완전한 결정 구조 사양을 생성할 수 있는 최초의 생성 프레임워크로 제시됩니다.

실험 결과

저자들은 MP-20 및 MPTS-52 데이터셋에서 CDVAE, DiffCSP, FlowMM 및 대칭 보존형 대응물인 SymmCD를 포함한 베이스라인들과 SbCD를 비교 평가했습니다.

MP-20 성능: SbCD 변형 모델(특히 $SbCD^\diamond$ )은 대칭 보존형 대응물 및 다른 베이스라인들보다 열역학적으로 안정적인 구조를 생성하는 데 있어 우수한 성능을 보였습니다. 이들은 훨씬 높은 비율의 전하 중성 조성을 보여주었으며, 고유 원소 수(unique elements)로 측정된 테스트 세트의 조성 분포에 대해 더 나은 커버리지를 달 나타냈습니다.
안정성 및 유효성: 일부 베이스라인은 높은 구조적 유효성을 달성하지만, 종종 밀도가 낮고 느슨하게 패킹된 결정을 생성합니다. SbCD 변형 모델은 훈련 데이터와 유사한 평균 밀도비를 가지면서도 구조적으로 유효한 결정을 생성하여 더 나은 트레이드오프를 달성했습니다.
공간군 분포: SbCD는 경험적 공간군 분포에 조건화된 방법들과의 성능 격차를 좁혔으며, 대칭을 명시적으로 모델링하지 않는 방법들보다 뛰어난 성능을 보였습니다. 이는 광범위한 공간군 분포를 포착하는 능력을 입증합니다.
확장성: 최대 52개의 원자를 포함하는 더 까다로운 MPTS-52 데이터셋에서, SbCD는 효과적으로 확장 가능함을 보여주었습니다( -S, -L, -XL 모델 크기로 테스트됨). 또한 비교된 방법들 중 열역학적 안정성 지표에서 가장 우수한 성능을 달성했습니다.
효율성: 낮은 함수 평가 횟수(NFE) 영역에서, SbCD는 유효한 구조를 생성하는 데 있어 SymmCD보다 현저히 우수한 성능을 보여, 효율적인 몇 단계(few-step) 생성 가능성을 시사했습니다.

의의 및 주장

본 논문은 SbCD가 대칭 보존 모델과 경험적 공간군 샘플링의 한계를 넘어섬으로써, 데 노보 결정 생성의 중요한 진전임을 주장합니다. 공간군 간의 전이 역학을 명시적으로 학습하고 그에 따라 제약을 적응시킴으로써, 이전 방법들이 놓쳤던 전역 대칭과 구조적 의존성을 포착합니다.

저자들은 SbCD를 최소한의 대칭 가정으로부터 완전한 결정 구조 사양을 생성할 수 있는 결정성 재료 생성 모델링의 "개념 증명(proof of concept)"으로 자리매김합니다. 현재 프레임워크가 $P1$ 으로의 직접적인 전이를 사용하고 있다는 점을 언급하며, 향-후 연구에서는 더 현실적인 물리적 전이 경로를 탐구할 수 있을 것이라고 밝힙s니다. 이 방법은 최소한의 대칭 가정으로부터 광범위한 화학적 및 결정학적 설계 공간을 효율적으로 탐색함으로써 재료 발견을 가속화하는 도구로 제시되지만, 생성된 재료에 대한 책임 있는 사용과 엄격한 실험적 검증의 필요성 또한 강조하고 있습니다.