Physics-Aligned Electronic Ground-State Learning Improves Generalization

새로운 의약품을 설계하고 더 강한 재료를 발견하려는 탐구 과정에서, 과학자들은 계산 화학이라는 강력한 도구에 의존합니다. 이 분야는 연구자들이 실제 물리적 실험을 수행하기 전에 컴퓨터상에서 원자와 분자가 어떻게 행동하는지를 시뮬레이션할 수 있게 해주는 가상 실험실 역할을 합니다. 이러한 시뮬레이션의 핵심은 분자의 "바닥 상태(ground state)"를 이해하는 것인데, 이는 본질적으로 전자가 가장 안정적으로 휴식하는 배열 상태를 의미합니다. 이 배열을 아는 것은 과학자들이 분자가 어떻게 반응할지, 얼마나 강할지, 또는 약물과 어떻게 상호작용할지를 예측할 수 있게 해줍니다. 그러나 이 바닥 상태를 완벽한 정확도로 계산하는 것은 매우 어렵고 계산 비용이 많이 들며, 단 하나의 분자에 대해서도 슈퍼컴퓨터를 사용하여 몇 시간 또는 며칠이 걸리기도 합니다. 속도를 높이기 위해 연구자들은 이러한 답을 거의 즉각적으로 추측할 수 있는 머신러닝 모델을 개발해 왔습니다. 이러한 모델들은 이전에 본 적이 있는 분자의 특성을 예측하는 데는 뛰어나지만, 학습 데이터와 다른 더 크고 복잡한 분자의 거동을 예측하라고 요청받으면 종종 실패하곤 합니다.

뮌헨 공과대학교와 NVIDIA의 연구진은 속도와 정확도 사이의 간극을 메우는 새로운 방식의 머신러닝 모델 구축법을 제안했습니다. 이들의 접근 방식은 최종적인 답을 직접 예측하려고 노력하는 대신, 컴퓨터가 전자가 어떻게 배열되는지를 지배하는 근본적인 규칙을 학습하도록 가르칩니다. 그들은 일종의 중간 지점 역할을 하는 시스템을 설계했는데, 이는 가장 정확한 전통적 방식보다는 훨씬 빠르면서도 현재의 머신러닝 지름길들보다는 현저히 신뢰할 수 있습니다. 그들의 성공 비결은 컴퓨터가 단순히 데이터의 패턴을 암기하는 것이 아니라, 우주의 근본적인 물리 법칙을 존중하는 방식으로 학습하도록 강제한 데 있었습니다. 전자의 거동을 설명하는 실제 방정식과 학습 과정을 일치시킴으로써, 그들은 단순히 추측하는 것이 아니라 문제의 기하학적 구조를 이해하는 모델을 만들었습니다.

연구진은 작은 분자들로 구성된 데이터셋으로 모델을 학습시킨 후, 이보다 최대 4배 더 큰 분자들의 특성을 예측하도록 하여 이 방법을 테스트했습니다. 이 테스트에서 그들의 새로운 모델은 기존의 최첨단 방식들보다 극적인 개선을 보여주었습니다. 이 시스템의 가장 정확한 버전의 경우, 더 큰 분자들의 에너지를 예측하는 오차가 기존의 가장 우수한 대안들과 비교했을 때 거의 99.8% 감소했습니다. 이러한 정밀도는 화학 분야에서 매우 중요한데, 왜냐하면 아주 작은 오차라도 약물이 효과가 있을지 혹은 재료가 형태를 유지할지에 대해 완전히 잘못된 예측을 초래할 수 있기 때문입니다. 또한, 이 시스템에는 내장된 안전 점검 기능이 포함되어 있습니다. 만약 모델이 스스로 확신할 수 없을 정도로 너무 생소하거나 복잡한 분자를 마주하게 되면, 이를 신뢰할 수 없는 예측이라고 표시할 수 있습니다. 테스트에서 이 안전 메커니즘은 예측값 중 0.5% 미만을 걸러내는 데 성공하여, 제공된 결과의 대다수가 신뢰할 수 있음을 보장했습니다.

이 연구의 가장 중요한 발견 중 여러 가지 중 하나는, 이러한 물리 기반 모델이 한 번도 본 적 없는 크기로 일반화될 수 있다는 점입니다. 다른 머신러닝 모델들이 더 큰 시스템을 마주했을 때 성능이 저하되는 경향이 있는 반면, 이 새로운 모델들은 수백 개의 전자를 가진 분자의 거동을 예측할 때도 높은 정확도를 유지했습니다. 연구진은 또한 이 모델들이 결합이 끊어지거나 형성되는 찰나의 순간을 포함하여 화학 반응을 연구하도록 적응될 수 있음을 입증했습니다. 레이블이 지정된 새로운 데이터 없이도 모델을 정교화하는 기술을 사용하여, 그들은 시스템을 새로운 화학적 환경으로 전이시키고 "화학적 정확도(chemical accuracy)"라고 알려진 임계값 미만의 오차를 달-성했습니다. 이는 해당 분야에서 유용한 예측을 위한 골드 스탠다드입니다.

연구팀은 이 분야에서 흔히 사용되는 표준적인 접근 방식, 즉 분자의 수학적 표현을 단순히 매칭해야 할 숫자 목록으로 취급하는 방식에 대해 명시적으로 반론을 제기했습니다. 그들은 이러한 일반적인 방법이 분자의 서로 다른 부분들 사이의 진정한 물리적 관계를 포착하지 못하며, 이로 인해 시스템 크기가 변할 때 성능이 저하된다는 것을 보여주었습니다. 반면, 그들의 새로운 접근 방식은 전자 배열을 엄격한 규칙을 따라야 하는 특정 기하학적 형상, 마치 임의로 늘리거나 비틀 수 없는 단단한 구조와 같이 취급합니다. 이러한 제약은 모델이 단순히 데이터를 맞추는 것이 아니라 올바른 물리적 행동을 학습하도록 강제합니다. 그 결과, 이 시스템은 더 정확할 뿐만 아니라 더 견고하며, 기존의 빠른 머신러닝 방식으로는 도달할 수 없었던 실제 세계의 복잡한 화학 문제들을 다룰 수 있게 되었습니다.

이 연구는 텍스트에 사용되는 대규모 언어 모델과 유사한, 화학을 위한 "파운데이션 모델"을 만들기 위한 경로를 제시합니다. 그 모델들이 언어의 규칙을 배워 새로운 문장을 생성하는 것처럼, 이 새로운 모델들은 전자의 규칙을 배워 새로운 분자적 통찰을 생성합니다. 연구진은 물리적 제약을 존중함으로써, 가장 비용이 많이 드는 전통적인 계산에 필적하는 성능을 훨씬 적은 시간 안에 달성할 수 있음을 입증했습니다. 이는 방대한 잠재적 약물 및 재료 라이브러리를 이전에는 불가능했던 속도와 신뢰성으로 스크리닝할 수 있는 문을 열어주며, 향후 생명을 구하는 의약품과 첨단 재료의 발견을 가속화할 수 있습니다.