Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

모든 물질에는 파괴점이 존재하며, 열이 견딜 수 없을 정도로 과해져 물질을 결합하고 있는 화학 결합이 끊어지기 시작하는 순간이 있습니다. 로켓에 동력을 공급하거나 기계를 구동하는 폭발물이나 추진제와 같은 에너지 물질을 설계하는 과학자들에게 이 파괴점을 아는 것은 생사와 직결된 문제입니다. 만약 물질이 너무 불안정하면 저장 중에 조기에 폭발할 수 있고, 반대로 너무 안정적이면 필요할 때 제 역할을 수행하지 못할 수도 있습니다. 이 안전 마진을 측정하는 표준적인 방법은 실험실에서 샘플을 가열하며 분해가 시작되는 정확한 온도를 기록하는 것입니다. 하지만 이 단순한 측정법은 놀라울 정도로 신뢰하기 어렵습니다. 서로 다른 실험실들은 서로 다른 가열 속도, 서로 다른 샘의 양, 그리고 서로 다른 결과 보고 방식을 사용합니다. 연구자들이 새로운 분자가 안전할지 위험할지를 예측하도록 기계에게 가르치기 위해 여러 출처로부터 이러한 수치들을 모으려고 할 때, 데이터는 노이즈가 많고 일관성 없는 엉망진창인 상태가 되어 컴퓨터 모델을 구축하는 것을 거의 불가능하게 만듭니다.

로스앨러모스 국립연구소와 텍사스 테크 대학교의 연구팀은 이러한 노이즈를 뚫고 나갈 영리한 방법을 찾아냈습니다. 그들은 컴퓨터에게 분자가 깨지는 정확한 온도를 예측하도록 가르치는 대신, 두 분자를 한 번에 비교하여 어느 것이 더 안정적인지 결정하도록 가르쳤습니다. '차등 학습(differential learning)'이라고 부르는 이 접근 방식은 실험실 간의 혼란스러운 차이점은 무시하고, 재료의 상대적인 순위에 전적으로 집중합니다. 인공지능이 분자 쌍을 살펴보고 그 안정성의 차이를 예측하도록 훈련함으로써, 연구팀은 수천 개의 화합물을 높은 정확도로 순위를 매길 수 있는 시스템을 만들었습니다. 이들의 연구는 단일 실험실의 수치는 항상 신뢰할 수 없을지라도, 두 가지 서로 다른 화학 물질 사이의 관계는 신뢰할 수 있다는 점을 시사합니다.

연구진은 이 방법을 탄소, 수소, 질소, 산소로만 구성된 유기 분자 데이터셋에 적용했는데, 이는 에너지 물질에서 흔히 볼 수 있는 그룹입니다. 그들은 발표된 연구들로부터 실험 데이터를 수집했지만, 예상대로 수치들은 일관되지 않았습니다. 표준적인 컴퓨터 모델을 사용하여 각 분자의 분해 온도를 예측하려고 했을 때 결과는 좋지 않았습니다. 모델들은 매우 유사한 분자들을 구분하는 데 어려움을 겪었으며, 가장 안정적이거나 가장 불안정한 이상치(outlier)를 식별하는 데 자주 실패했습니다. 이러한 실패는 데이터의 노이즈가 진정한 화학적 신호를 압도하고 있다는 문제점을 극명히 보여주었습니다.

이 문제를 해결하기 위해 연구팀은 질문을 바꾸었습니다. 그들은 컴퓨터에게 "이 분자의 온도는 얼마인가?"라고 묻는 대신, "이 분자가 저것보다 더 안정적인가?"라고 묻기 시작했습니다. 그들은 컴퓨터에 분자 쌍을 입력하고 두 분자의 안정성 차이를 예측하도록 했습니다. 이러한 전환을 통해 상대적으로 적은 양의 데이터로부터 방대한 양의 훈련 예시를 생성할 수 있었습니다. 만약 850개의 분자가 있다면, 수십만 개의 고유한 쌍을 만들어 연구할 수 있었습니다. 컴퓨터는 어떤 구조적 특징이 한 분자를 다른 분자보다 더 잘 결-합하게 만드는지 미세한 차이를 포착하는 법을 배웠으며, 이는 절대적인 수치를 괴롭혔던 실험적 오류들을 효과적으로 걸러내는 역할을 했습니다.

그들은 어떤 컴퓨터 모델이 가장 잘 작동하는지 확인하기 위해 두 가지 유형의 모델을 테스트했습니다. 한 모델은 분자를 원자와 결합의 단순한 그래프로 보고 분자의 형태로부터 직접 학습했습니다. 다른 모델은 특정 결합을 끊는 데 드는 에너지와 같은 계산된 특성 목록을 사용하여 결정을 내렸습니다. 두 모델 모두 놀라울 정도로 잘 작동했습니다. 테스트 세트에서 분자들의 순위를 매길 때, 모델들은 약 87%의 확률로 쌍 중에서 더 안정적인 구성원을 정확히 식별했습니다. 이는 동일한 데이터를 처리하는 데 어려움을 겪었던 전통적인 방식보다 상당한 개선이었습니다. 서로 다른 방식으로 분자를 바라보았음에도 불구하고 두 모델 모두 우수한 성능을 보였다는 점은, 연구진이 지저-한 실험 데이터에 대응할 수 있는 견고한 방법을 찾았다는 확신을 주었습니다.

순위를 매기는 것을 넘어, 연구진은 컴퓨터가 실제로 무엇을 배우고 있는지 이해하고자 했습니다. 그들은 신경망 내부를 들여다보는 기술을 사용하여 어떤 특징이 예측을 주도하는지 확인했습니다. 그들은 컴퓨터가 분자 내 산소의 균형과 가장 약한 화학 결합의 강도라는 두 가지 주요 요인에 크게 의존한다는 것을 발견했습니다. 이는 화학자들이 오랫동안 의심해 온 바와 일치합니다. 에너지 물질에서 산소의 존재는 종종 높은 성능과 낮은 안정성 사이의 상관관계를 가지며, 사슬 내의 가장 약한 결합은 분해의 트리거 역할을 합니다. 그러나 이 연구는 단 하나의 요인이 전체 이야기를 들려주지는 않는다는 점도 밝혀냈습니다. 컴퓨터는 단순히 가장 약한 결합만을 독립적으로 보는 것이 아니라, 분자의 형태, 결합 강도, 그리고 화학적 구성의 전체적인 조합을 고려했습니다. 이는 안정성을 예측하는 것이 단일 요소보다 여러 작은 부분들의 상호작용이 더 중요한 복잡한 퍼즐임을 시사합니다.

이러한 통찰력이 실제 세계에서 어떻게 활용될 수 있는지 보여주기 위해, 연구팀은 TATB라고 불리는 유명하고 매우 안정적인 분자를 출발점으로 삼았습니다. 그들은 컴퓨터에게 분자의 구조에 미세한 변화를 상상하게 하고, 그 변화가 안정성에 어떤 영향을 미칠지 예측하도록 했습니다. 모델은 특정 원자 그룹을 다른 것으로 교체하는 것이 분자를 강화하거나 약화시킬 수 있음을 정확히 식별했습니다. 예를 들어, 모델은 특정 수소 함유 그룹을 산소 함유 그룹으로 바꾸면 분자가 현저히 덜 안정해질 것이라고 예측했습니다. 반대로, 특정 불안정한 그룹을 완전히 제거하는 것이 분자를 더욱 견고하게 만들 수 있다고 제안했습니다. 이러한 발견은 새로운 재료를 설계하려는 화학자들에게 명확한 가이드를 제공합니다. 즉, 힘과 안전 사이의 적절한 균형을 달성하기 위해 어떤 구조적 특징을 유지하고 어떤 것을 피해야 하는지 알게 해줍니다.

이 연구는 가용한 데이터가 불완전할 때, 차등 접근 방식이 재료 발견을 위한 강력한 도구가 될 수 있다고 결론짓습니다. 절대적인 값보다는 상대적인 차이에 집중함으로써, 연구진은 데이터 수집 방식의 불일치에도 불구하고 잘 작동하는 모델을 구축할 수 있었습니다. 그들은 자신의 데이터셋과 모델을 대중에게 공개하여, 다른 이들이 이 방법을 사용하여 더 안전하고 효과적인 재료를 설계하기를 희망하고 있습니다. 현재의 모델들은 진공 상태에 있는 고립된 분자의 특성을 기반으로 하고 있지만, 연구진은 실제 재료가 분자들이 서로 상호작용하는 고체 형태로 존재한다는 점을 인정합니다. 향후 연구에서는 이러한 상호작용을 고려해야 하겠지만, 이 새로운 방법의 성공은 열적 안정성의 복잡한 화학을 탐구하는 길에 대한 유망한 경로를 제시합니다.