Interpretable physics-informed retrieval-augmented generation language model for end-to-end inorganic crystal synthesis planning

수십 년 동안 새로운 고체 물질의 발견은 두 가지 측면이 공존하는 게임과 같았습니다. 한쪽에는 강력한 컴퓨터가 수많은 새로운 결정(crystal)의 존재를 예측하고, 원자들이 어떻게 배열되어 안정적인 구조를 형성할지 계산할 수 있습니다. 다른 한쪽에서는 인간 화학자들이 실험실에서 실제로 그것들을 어떻게 만들어낼지를 고민해야 합니다. 이 두 번째 단계는 매우 어려운 것으로 알려져 있습니다. 어떤 물질이 존재할 수 있다는 것을 아는 것과, 그것을 어떻게 만드는지 아는 것은 매우 다른 문제입니다. 컴퓨터는 새로운 결정이 안정적이라고 말해줄 수는 있지만, 어떤 가루를 섞어야 하는지, 몇 도의 온도로 가열해야 하는지, 혹은 그 과정에 특수한 진공 상태나 엄청난 압력이 필요한지까지는 알려줄 수 없습니다. 오랫동안 이론적 예측과 실질적인 레시피라는 이 두 세계는 별개로 발전해 왔으며, 우리가 상상할 수 있는 것과 실제로 만들어낼 수 있는 것 사이에는 거대한 간극이 존재했습니다.

이제 한 연구팀이 새로운 종류의 인공지능을 사용하여 이 간극을 메우는 다리를 구축했습니다. 그들은 단순히 추측하는 것이 아니라, 화학의 역사를 읽어 올바른 길을 찾아내는 시스템을 개발했습니다. 이 시스템은 새로운 물질의 생성을 단순한 예/아니오의 문제로 취급하는 대신, 복잡한 계획 수립 문제로 다룹니다. 시스템은 목표 물질을 보고 다음과 같이 질문합니다. "이것과 닮은 것을 이전에 만들어 본 적이 있는가?" 그러고 나서 과거의 수천 가지 실험으로부터 구체적이고 실제적인 레시피를 끌어옵니다. 이러한 역사적 기록을 물리학 법칙과 결합함으로써, 이 시스템은 어떤 가루를 섞어야 하는지, 어떤 조건을 적용해야 하는지 등 정확한 재료와 조건을 포함한 새로운 결정을 만들기 위한 단계별 계획을 제안할 수 있습니다.

이 작업의 핵심은 '구조적 합성 지식 베이스(Structured Synthesis Knowledge Base)'라고 불리는 거대하고 체계적인 지식 라이브러리입니다. 연구진은 전 세계 실험실에서 이미 성공적으로 만들어진 13,820개의 서로 다른 무기 결정에 대한 정보를 이 시스템에 입력했습니다. 그들은 단순히 물질의 이름만을 저장한 것이 아니라, 그것들이 어떻게 만들어졌는지에 대한 이야기까지 세분화하여 기록했습니다. 각 결정에 대해 시스템은 사용된 구체적인 방법, 시작 화학 물질, 온도 및 압력을 기록했습니다. 이 데이터를 컴퓨터가 활용할 수 있도록 하기 위해, 연구진은 결정 구조의 복잡한 언어를 평이한 설명으로 번역하여 원자의 모양과 이를 조립하는 데 사용되는 방법을 연결했습니다.

과학자가 새로운 물질을 만들고자 할 때, 'PIRAG-LM'이라 불리는 이 시스템은 먼저 선례를 찾는 것부터 시작합니다. 이 시스템은 단순히 유사한 단어를 검색하는 것이 아닙니다. 대신, 최적의 일치 항목을 찾기 위해 세 가지 서로 다른 렌즈를 사용합니다. 첫째, 동일한 유형의 원자로 구성된 물질을 찾는 화학적 유사성을 확인합니다. 둘째, 원자의 기하학적 배열을 공유하는 물질을 찾는 구조적 유사성을 확인합니다. 셋째, 그리고 아마도 가장 중요한 것은 물질이 보유한 에너지 및 안정성과 관련된 열역학적 유사성을 확인하는 것입니다. 이 세 가지 관점을 결합함으로써, 시스템은 설령 수십 년 전에 만들어졌거나 완전히 다른 실험실에서 만들어졌더라도 가장 관련성이 높은 역사적 사례를 찾아냅니다.

일단 시스템이 이러한 역사적 선례를 찾으면, 대규모 언어 모델이 추론 엔진 역할을 수행합니다. 이 모델은 과거의 레시피를 가져와 새로운 물질에 맞게 변형합니다. 시스템은 어떤 화학 물질을 섞고 어떤 조건을 적용해야 하는지 제안하며 후보 경로 목록을 제시합니다. 결정적으로, 이 시스템은 단순히 답만 내놓는 것이 아니라 자신의 추론 과정을 설명합니다. 시스템은 "특정 과거 실험에서 유사한 물질이 이 정도의 열에서 만들어졌기 때문에 이 온도를 제안합니다"라거나 "동일한 원자 구조를 가진 물질에 이 화학 물질이 효과적이었으므로 이를 권장합니다"와 같이 특정 과거 실험을 지목하며 근거를 제시할 수 있습니다. 이는 과정의 투명성을 확보하여, 전문가들이 조언이 어디서 왔는지 정확히 확인하고 검증할 수 있게 합니다.

연구진은 2021년 이전의 지식만을 사용하여, 2021년에서 2026년 사이에 과학 문헌에 보고된 물질들을 어떻게 예측할지 이 시스템에 테스트했습니다. 결과는 놀라울 정도로 정확했습니다. 이 시스템은 물질의 일반적인 합성 방법을 87.2%의 정확도로 예측했는데, 이는 언어 모델만을 사용했을 때의 정확도인 72.1%보다 크게 향상된 수치입니다. 또한 고압 안정성 및 박막 성장 기술에 대한 구체적인 데이터를 포함하여 시스템을 더욱 정교하게 다듬었을 때, 정확도는 91.4%까지 올라갔습니다. 이는 시스템이 단순히 텍스트를 암기하는 것이 아니라, 물질과 이를 만드는 방법 사이의 물리적 관계를 진정으로 이해하고 있음을 입증했습니다.

이 접근 방식이 실제 세계에서도 작동함을 증명하기 위해, 연구팀은 컴퓨터 시뮬레이션에 머물지 않았습니다. 그들은 이전에 한 번도 만들어진 적 없는 완전히 새로운 화합물 5개를 선정하여, 각 화합물에 대한 합성 계획을 설계하도록 시스템에 요청했습니다. 이 물질들에는 잠재적인 연료 전지 부품과 열에 의한 팽창 또는 수축을 제어하기 위한 후보 물질들이 포함되었습니다. 시스템은 구체적인 시작 분말과 가열 일정을 제안하며 상세한 계획을 생성했습니다. 연구진은 실험실로 가서 이 계획들을 따랐으며, 전문가의 평가와 실험적 피드백을 바탕으로 조건을 미세 조정했습니다. 그 결과, 다섯 가지의 새로운 화합물을 모두 성공적으로 만들어냈습니다. 생성된 결정은 이론적 예측과 일치했으며, 이는 AI가 실질적인 로드맵을 제공했음을 확인시켜 주는 동시에, 각 물질에 대한 실행 가능한 조건을 식별하는 데 전문가의 반복적인 작업이 필요했음을 보여주었습니다.

이 성과를 특히 강력하게 만드는 것은 시스템이 자신의 한계를 다루는 방식입니다. 만약 시스템이 라이브러리에 잘 나타나 있지 않은 매우 높은 압력이나 특수한 박막 기술을 요구하는 물질을 마주하게 되면, 즉시 업데이트할 수 있습니다. 연구진이 고압 실험이나 박막 성장과 관련된 새로운 기록을 데이터베이스에 추가하기만 하면, 시스템은 즉시 해당 목표에 대해 그러한 방법을 제안하도록 학습합니다. 전체 AI를 다시 훈련하거나 처음부터 다시 시작할 필요가 없습니다. 이러한 유연성은 이 도구가 물리 세계에 대해 더 많은 것을 발견함에 따라 계속 성장하고 개선될 수 있음을 의미하며, 우리가 계산할 수 있는 것과 실제로 만들 수 있는 것 사이의 거리를 끊임없이 좁혀 나갑니다.

이 프로젝트의 성공은 재료 과학의 새로운 방향을 제시합니다. 이는 물질을 단순히 '가능하다' 또는 '불가능하다'라는 이분법적 관점에서 벗어나, 그것을 '어떻게 만드는가'에 대한 더 미묘하고 심도 있는 이해로 나아가게 합니다. 물리학의 추상적인 법칙을 실험실의 복잡하고 실질적인 현실과 연결함으로써, 이 시스템은 발견을 위한 명확하고 증거 기반의 경로를 제공합니다. 이는 인공지능이 물리적 실체와 역사적 데이터에 기반할 때, 단순히 예측하는 것을 넘어 미래의 재료를 만드는 인간의 손을 어떻게 이끌 수 있는지를 보여줍니다.