← 최신 논문
🤖 머신러닝

Diffusion Tree Sampling for Inference Time Adaptation of Crystal Generative Models

이 논문은 확산 기반 결정 생성 모델을 값비싼 모델 재학습 없이 최적의 다중 목적 특성으로 유도하기 위해 디노이징 궤적에 대한 몬테카를로 트리 탐색을 활용하는 추론 시간 적응 방법인 Diffusion Tree Sampling (DTS)을 소개한다.

원저자: Daniel T. Levy, Vineet Jain, Tara Akhound-Sadegh, Sékou-Oumar Kaba, Siamak Ravanbakhsh

게시일 2026-11-16
📖 4 분 읽기☕ 가벼운 읽기

원저자: Daniel T. Levy, Vineet Jain, Tara Akhound-Sadegh, Sékou-Oumar Kaba, Siamak Ravanbakhsh

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

새로운 재료를 찾는 과정은 과학자들이 특정하고 유용한 성질을 가진 결정을 형성하는 원자들의 조합을 찾기 위해 고군분투하는 고도의 승부와 같습니다. 마치 건초더미에서 바늘을 찾는 것과 같다고 상상해 보십시오. 다만 그 건초더미는 가능한 모든 원자 배열으로 이루어져 있고, 바늘은 안정적일 뿐만 아니라 특정한 방식으로 전기를 전도하거나 엄청난 압력을 견뎌내는 구조입니다. 수십 년 동안 연구자들은 이러한 결정 구조를 생성하기 위해 강력한 컴퓨터 모델에 의존해 왔지만, 이 모델들은 종종 화학적으로 불가능하거나 불안정한 후보들을 쏟아내곤 합니다. 진짜 병목 현상은 결정이 진정으로 안정적인지 확인하려면 단 하나의 후보를 검증하는 데에도 며칠이 걸릴 정도로 믿을 수 없을 만큼 비용이 많이 들고 느린 시뮬레이션을 실행해야 한다는 점입니다. 이 때문에 과학자들은 단순히 수백만 개의 쓸모없는 후보를 만들어 우연히 몇 개를 찾기를 기대하는 대신, 처음부터 더 나은 후보를 생성하도록 컴퓨터 모델을 안내할 방법이 필요합니다.

맥길 대학교와 밀라(Mila) 큐백 인공지능 연구소의 연구팀은 거대한 컴퓨터 모델을 다시 학습시키지 않고도 이 문제를 해결할 수 있는 새로운 방법을 개발했습니다. 모델에게 새로운 사고 방식을 가르치려고 노력하는 대신(이는 느리고 비용이 많이 듭니다), 그들은 결정이 생성되는 동안 발생하는 스마트한 탐색 과정을 만들었습니다. 그들은 이 방법을 '디퓨전 트리 샘플링(Diffusion Tree Sampling)'이라고 부릅니다. 컴퓨터 모델을 돌을 깎아 조각상을 만드는 조각가라고 생각해 보십시오. 보통 조각가는 한 번에 하나의 실수를 저지르며 앞으로 나아갑니다. 그러나 이 새로운 방법은 조각가가 핵심적인 순간에 멈춰 서서 "만약 여기서 약간 다르게 깎았다면 어땠을까?"라고 묻게 합니다. 그런 다음 시스템은 여러 가지의 "만약에" 경로를 동시에 탐색하며, 가장 유망한 경로들은 유지하고 막다른 길은 버립니다. 이렇게 함으로써 시스템은 이미 사용 가능한 기존의 사전 학습된 모델을 그대로 사용하면서도, 결정 생성 과정을 더 안정적이고 유용한 결정 쪽으로 유도할 수 있습니다.

연구진은 이 접근 방식이 재료 과학의 여러 가지 과제에 걸쳐 놀라울 정도로 잘 작동한다는 것을 입증했습니다. 한 테스트에서 그들은 결정이 열역학적으로 안정적인 것(즉, 쉽게 분해되지 않는 것)을 생성하는 데 이 방법을 사용했습니다. 시스템은 표준적인 방법들에 비해 더 많은 수의 안정적인 결정을 찾아냈으며, 연구진이 컴퓨터에 더 많은 작업을 허용할수록 이 이점은 더욱 커졌습니다. 또 다른 실험에서 그들은 매우 희귀한 내부 대칭성, 구체적으로 알려진 결정 중 1% 미만에서 나타나는 유형의 원자 배열을 가진 결정을 목표로 삼았습니다. 표준 모델들은 스스로 이런 희귀한 구조를 거의 찾아내지 못합니다. 하지만 연구진은 스마트한 탐색과 함께, 이러한 대칭성을 찾도록 사전에 미세 조정된 특수 버전의 모델을 결합함으로써, 이전보다 10배 더 높은 비율로 이 희귀한 결정들을 찾아낼 수 있었습니다.

이 연구의 가장 중요한 성과 중 하나는 과학자들이 두 개 이상의 상충하는 목표를 균형 있게 조절해야 하는 상황을 처리하는 방식입니다. 현실 세계에서 어떤 재료는 우수한 전기 절연체이면서 동시에 넓은 에너지 갭을 가져야 할 수도 있는데, 한쪽을 개선하면 흔히 다른 쪽이 악화되곤 합니다. 연구진은 이 방법이 하나의 검색 과정 안에서 이러한 상충하는 성질들 사이의 가능한 모든 트레이드오프(trade-off) 범위를 탐색할 수 있음을 보여주었습니다. 단 하나의 '최선의' 답만을 찾는 대신, 시스템은 각기 다른 목표 사이의 서로 다른 균형을 나타내는 다양한 결정의 집합을 생성했습니다. 이를 통해 과학자들은 가능성의 전체 지형을 파악하고 자신의 특정 요구에 가장 잘 맞는 재료를 선택할 수 있습니다.

이 방법은 연구자들이 기초가 되는 컴퓨터 모델을 처음부터 다시 구축할 필요가 없다는 점에서 특히 강력합니다. 이는 특정 작업에 맞게 이미 학습된 기존 모델들을 활용하면서도, 최종 결과가 여전히 물리학의 기본 법칙을 따르도록 보장할 수 있습니다. 또한 연구진은 가이드 역할을 하는 모델이 목표와 완벽하게 일치하지 않는 경우(예를 들어, 밀도가 높은 결정을 찾도록 학습된 모델을 사용하여 높은 체적 탄성률을 가진 결정을 찾는 경우)에도, 그들의 시스템이 이러한 불일치를 바로잡을 수 있음을 보여주었습니다. 이는 최종 결과가 가이드의 특이점이 아닌 실제 목표에 의해 주도되도록 보장합니다.

컴퓨터의 노력을 새로운 모델을 학습시키는 것에서 생성 과정 중의 더 스마트한 탐색으로 전환함으로써, 이 접근 방식은 발견을 위한 더 효율적인 경로를 제공합니다. 이는 재료 과학의 세계에서 후보를 검증하는 비용이 생성하는 비용보다 훨씬 높다는 점을 인정하는 것입니다. 따라서 방대한 양의 저품질 후보를 생성하는 것보다, 생성되는 모든 후보가 높은 품질을 갖추도록 보장하는 데 더 많은 컴퓨팅 파워를 쓰는 것이 훨씬 더 나은 전략입니다. 이 연구는 재료 발견의 미래가 단지 더 큰 모델에 있는 것이 아니라, 우리가 이미 가지고 있는 모델을 사용하여 방대하고 복잡한 가능한 재료의 공간을 항해하는 더 스마트한 방법에 달려 있음을 시사합니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →