새로운 의약품이 탄생하고 자연의 비밀이 해독되는 실험실에서, 과학자들은 빛과 자기장과의 상호작용만을 보고 분자의 정확한 형태를 결정해야 하는 지속적인 난제에 직면해 있습니다. 화학자가 새로운 화합물을 합성하거나 식물에서 물질을 분리할 때, 그들은 그 물질이 실제로 무엇인지 증명해야 합니다. 그들은 복잡한 신호 패턴, 즉 스펙트럼이라고 알려진 것을 생성하는 기계에 물질을 통과시켜 이를 수행합니다. 이 신호들은 분자의 원자들이 어떻게 연결되어 있고 공간적으로 어떻게 배치되어 있는지에 대한 단서를 포함하고 있는, 마치 분자의 고유한 지문과 같습니다. 수십 년 동안 이 지문을 읽는 작업은 인간 전문가가 하나의 가능한 구조를 다른 구조와 대조하며 조각들이 맞을 때까지 테스트하는, 느리고 노동 집약적인 과정이었습니다. 컴퓨터가 도움을 주기도 했지만, 컴퓨터는 이전에 본 적 없는 분자를 마주하거나 데이터가 지저분할 때 흔히 실패하며 인간 전문가의 유연하고 논리적인 사고를 모방하는 데 어려움을 겪어왔습니다.

이제 한 연구팀이 이 작업 방식의 변화를 가져올 새로운 시스템을 개발했습니다. 단순히 알려진 분자의 데이터베이스를 암기하도록 컴퓨터에 강요하는 대신, 그들은 화학자처럼 생각하는 법을 배우는 인공지능을 구축했습니다. MACROS라고 불리는 이 시스템은 단순히 구조를 추측하는 것이 아니라, 인간이 그러하듯 후보를 제안하고, 자신의 작업을 확인하고, 답을 정교하게 다듬는 연속적인 루프를 수행합니다. 수백만 개의 시뮬레이션 및 실제 사례를 통해 학습함으로써, 이 시스템은 원시 신호와 원자들의 3차원적 배치 사이의 점들을 연결하는 법을 배웠습니다. 그 결과, 데이터가 불완전하거나 분자가 완전히 새로운 경우에도 현재의 방법들을 능가하는 속도와 정확도로 복잡한 분자를 식별할 수 있는 도구가 탄생했습니다.

이 돌파구의 핵심은 시스템이 어떻게 구축되었는가에 있습니다. 연구진은 모든 것을 수행하는 단일한 거대 두뇌를 사용하는 대신, 각각 특정한 역할을 가진 전문화된 디지털 에이전트 팀을 만들었습니다. 한 에이전트는 데이터를 살펴보고 가능한 분자 구조를 제안합니다. 또 다른 에이전트는 그 제안을 받아 만약 그 구조가 실재한다면 신호가 어떻게 보일지를 시뮬레이션합니다. 세 번째 에이전트는 시뮬레이션된 신호를 실제 실험 데이터와 비교하여 얼마나 잘 일치하는지 확인합니다. 만약 일치도가 낮으면, 시스템은 첫 번째 에이전트에게 정보를 다시 보내 다시 시도하도록 합니다. 이러한 제안, 테스트, 정교화의 순환은 자동으로 반복적으로 일어납니다. 시스템은 실시간으로 자신의 실수를 통해 학습하며, 관찰된 모든 신호를 가장 잘 설명하는 구조를 찾을 때까지 가능성을 점진적으로 좁혀 나갑니다. 이 접근 방식은 인간 분광학자들이 세대적으로 사용해 온 반복적인 가설 검증 과정을 모방하지만, 인간이 따라갈 수 없는 속도와 일관성으로 이를 실행합니다.

이 시스템을 특히 놀랍게 만드는 것은 시스템이 스스로 화학 법칙을 배웠다는 점입니다. 연구진은 시스템에 화학 규칙 목록을 프로그래밍하거나 어떤 원자들이 주로 서로 연결되는지 알려주지 않았습니다. 대신, 그들은 시스템을 1억 개 이상의 스펙트럼과 분자 구조 쌍에 노출시켰습니다. 이 방대한 노출을 통해, 시스템은 근본적인 화학적 원리를 자발적으로 발견했습니다. 예를 들어, 시스템은 명시적으로 찾아보라고 교육받지 않았음에도 불구하고, 데이터의 특정 패턴이 고리나 이중 결합과 같은 특정 원자 그룹에 대응한다는 것을 배웠습니다. 또한 시스템은 분자를 구축하는 것이 종종 가장 안정적인 핵심 구조로부터 시작된다는 것을 아는 숙련된 인간 전문가의 직관을 모방하여, 구조적 추측을 시작할 때 견고한 고리 시스템을 선호하는 경향을 발달시켰습니다. 패턴을 단순히 암기하는 것이 아니라 화학의 기저에 깔린 논리를 학습하는 이러한 능력 덕분에, 시스템은 접해보지 못한 분자에도 일반화할 수 있습니다.

연구진은 자연계에서 발견되는 복잡한 천연물, 실험실에서 만들어진 합성 화합물, 그리고 인체에서 발견되는 대사물질을 포함한 다양한 실제 샘료를 대상으로 이 시스템을 테스트했습니다. 많은 경우, 시스템은 흔히 모호할 수 있는 신호 유형인 1H 및 13C 핵자기 공명 데이터를 사용하여 분자 구조를 정확하게 식별해 냈습니다. 시스템이 사고하고 정교화하는 전체 사이클을 거치도록 허용했을 때, 정확도는 크게 향상되었습니다. 도전적인 천연물 세트에서, 시스템은 해당 화합물들에 대한 사전 훈련 없이도 절반 이상의 분자 구조를 정확히 식별했습니다. 연구진이 특정 유형의 화학 분야에 맞춰 시스템을 미세 조정했을 때, 성공률은 더욱 높아져 대사물질의 경우 거의 70%의 사례를 해결했습니다. 이러한 성능은 데이터가 잡음이 많거나 불완전한 상황에서도 유지되었으며, 이는 이전의 컴퓨터 방식이 갖지 못했던 견고함을 입증했습니다.

이 시스템의 가치를 보여주는 가장 설득력 있는 증거는 아마도 인간 과학자들과 어떻게 함께 작동하는가에서 나옵니다. 통제된 연구에서 전문 분광학자들은 먼저 스스로 복잡한 분자의 구조를 해결하도록 요청받았고, 그 후 시스템의 도움을 받아 다시 수행했습니다. 혼자 작업할 때 전문가들은 단일 분자를 해결하는 데 약 1시간이 걸렸으며, 지문 유사도 점수는 0.102였습니다. 시스템의 도움을 받았을 때, 시간은 분자당 단 10분으로 단축되었고, 유사도 점수는 0.80 이상으로 급증했습니다. 시스템은 인간 전문가를 대체하는 것이 아니라, 수천 가지의 가능성을 생성하고 테스트하는 힘든 작업을 처리함으로써 인간이 최종 검증에 집중할 수 있도록 돕는 강력한 파트너 역할을 했습니다. 이러한 협업은 구조 결정이라는 지루한 작업이 자동화되어, 과학자들이 발견과 혁신에 더 집중할 수 있는 미래를 시사합니다.

이 연구의 함의는 단순히 문제를 더 빨리 푸는 것을 훨씬 넘어섭니다. 일상적인 데이터로부터 분자 구조를 결정하는 신뢰할 수 있는 방법을 확립함으로써, 이 시스템은 화학의 광활한 '암흑 물질', 즉 자연과 우리 몸속에 존재하지만 아직 식별되지 않은 수백만 개의 미지의 분자들을 탐구할 수 있는 문을 열어줍니다. 현재 이러한 많은 분자는 그것들을 밝혀내는 과정이 너무 느리고 어렵기 때문에 보이지 않는 상태로 남아 있습니다. 신호를 빠르고 정확하게 해독할 수 있는 도구를 갖게 됨으로써, 과학자들은 선제적으로 신약을 발견하고, 생물학적 과정을 더 상세히 이해하며, 새로운 재료의 개발을 가속화할 수 있습니다. 이 시스템은 단순히 데이터를 저장하는 것에서 벗어나 데이터로 능동적으로 추론하는 단계로의 전환을 의미하며, 분자 발견이 생각의 속도로 이루어지는 완전 자동화된 실험실의 토대를 만듭니다.

이러한 접근 방식의 성공은 인공지능의 새로운 방향을 강조합니다. 연구진은 과학적 데이터를 텍_트나 이미지와 같은 일반적인 형식으로 강제하는 대신, 데이터 자체의 고유한 언어를 말하도록 시스템을 설계했습니다. 에이전트들은 원시 신호와 분자를 나타내는 화학적 문자열에 대해 직접 학습되었으며, 이를 통해 번역 과정에서 흔히 손실되는 미묘한 물리적 관계를 보존했습니다. 이러한 특화된 설계 덕분에 시스템은 범용 모델보다 훨씬 적은 컴퓨이팅 자원으로 높은 정확도를 달elle 수 있었습니다. 이는 과학적 AI의 미래가 더 크고 일반적인 모델이 아니라, 해당 분야의 특정 논리를 밑바닥부터 이해하도록 구축된 전문적이고 해석 가능한 시스템에 있다는 것을 시사합니다. 이러한 전문 지식을 폐쇄 루프형 추론 과정과 결합함으로써, 연구진은 단순히 계산하는 것이 아니라 화학 세계를 진정으로 이해하는 도구를 만들어냈습니다.