재료 과학의 세계에서 차세대 전자 디스플레이를 설계하는 것은 마치 건초더미 속에서 바늘을 찾는 것과 같으며, 그 건초더미는 보이지 않는 원자들로 만들어져 있고 바늘은 특정한 에너지의 배열입니다. 과학자들은 특히 유기 발광 다이오드(OLED)에 사용될 수 있는, 빛을 효율적으로 방출할 수 있는 새로운 유기 분자를 찾기 위해 끊임없이 노력하고 있습니다. 이러한 분자를 찾기 위해 연구자들은 전통적으로 두 가지 방법에 의존합니다. 며칠씩 걸리는 복잡한 컴퓨터 시뮬레이션을 실행하거나, 비용이 많이 들고 느린 물리적 실험을 수행하는 것입니다. 두 접근 방식 모두 컴퓨터가 패턴을 인식하도록 훈련할 데이터가 충분하지 않을 때 어려움을 겪는데, 이는 새로운 물질이 희귀한 최첨단 연구 분야에서 흔히 발생하는 상황입니다. 수십 년 동안 인공지능이 분자의 형태를 보는 것만으로 그 분자가 어떻게 행동할지 예측할 수 있기를 희망해 왔지만, 이러한 컴퓨터 모델들은 공부할 방대한 라이브러리가 부족할 때 종종 실패하곤 합니다. 이들은 마치 수업 내용을 이해하지 못한 채 답만 암기하는 학생처럼, 근본적인 규칙을 이해하기보다는 무작위로 추측하는 경향이 있습니다.

한 연구팀은 전문가들이 실제로 분자를 관찰하는 방식을 관찰함으로써 컴퓨터가 인간 전문가처럼 생각하도록 가르치는 방법을 찾아냈습니다. 컴퓨터가 가지고 있지 않은 수백만 개의 데이터 포인트를 학습하도록 강요하는 대신, 과학자들은 숙련된 화학자들이 화면 위에서 유기 분자의 구조를 연구할 때의 눈 움직임을 기록했습니다. 그들은 전문가들이 단순히 멍하니 바라보는 것이 아니라, 특정한 반복 가능한 패턴의 주의 집중을 따른다는 것을 발견했습니다. 먼저 전문가들은 분자를 빠르게 스캔하다가, 구조의 서로 다른 부분 사이의 결정적인 연결 부위에 도달했을 때만 속도를 늦춥니다. 그런 다음, 그 부분들이 어떻게 상호작용하는지 이해하기 위해 특정 영역에 집중합니다. 연구진은 이러한 시각적 습관을 컴퓨터 코드의 언어로 번역하여, 인간의 보는 방식을 모방하는 새로운 유형의 인공지능을 구축했습니다. 상대적으로 적은 양의 분자 데이터로 훈련된 이 모델은, 가장 강력하고 시간이 오래 걸리는 컴퓨터 시뮬레이션에 필적하는 정확도로 분자 내 전자의 분포를 예측하는 법을 배웠으며, 동시에 왜 그러한 예측을 내놓았는지에 대한 명확한 창을 제공했습니다.

이 발견의 핵심은 인간 전문가가 시각 정보를 처리하는 방식을 이해하는 데 있습니다. 화학자가 복잡한 분자를 볼 때, 그들의 눈은 매끄럽고 연속적인 선을 따라 움직이지 않습니다. 대신 그들의 눈은 한 지점에서 다른 지점으로 빠르게 이동하는 '사카드(saccade)'라고 불리는 움직임을 보이다가, 정보를 수집하기 위해 멈추는 '픽세이션(fixation, 고정)'을 수행합니다. 연구진은 전문가들이 분자의 전자적 특성을 분석할 때 눈이 매우 특정한 방식으로 움직인다는 것을 발견했습니다. 새로운 구조를 본 지 몇 초 동안, 그들의 눈은 빠르게 움직이지만 전자를 주는 부분과 받는 부분 사이의 '다리(bridges)'를 지날 때마다 현저하게 느려졌습니다. 연구진이 '감속 사카드 구역(Decelerated Saccade Zones)'이라고 명명한 이 느려지는 구간은, 전문가들이 가장 중요한 연결 고리를 능동적으로 처리하고 있음을 보여주었습니다. 시간이 흐름에 따라 전문가들은 스캐닝을 멈추고, 수집한 정보를 통합하기 위해 특정 원자 그룹에 시선을 오래 유지하기 시작했습니다. 이 두 단계의 과정, 즉 집중된 감속을 동반한 광범위한 스캔과 깊고 지속적인 주의 집중이 바로 팀이 포착하고자 했던 핵심 패턴이었습니다.

이 관찰을 작동 가능한 도구로 바꾸기 위해, 연구진은 인간의 주의 집중을 재현하는 컴퓨터 모델을 구축했습니다. 모델의 첫 번째 부분은 초기 스캔 역할을 하며, 분자의 작고 국소적인 조각들을 살펴본 뒤 이들을 빠르게 연결하여 전체적인 형태를 이해하도록 설계된 네트워크를 사용합니다. 이는 빠른 눈의 움직임과 결정적인 다리 위에서의 감속을 모방합니다. 두 번째 부분은 깊은 집중 역할을 하며, 인간의 마음이 핵심 문제에 집중하기 위해 방해 요소를 걸러내는 것처럼, 컴퓨터가 덜 관련 있는 세부 사항은 버리면서 가장 중요한 정보는 붙잡아 둘 수 있게 하는 메커니즘을 사용합니다. 연구진은 빛을 효율적으로 방출하는 능력으로 알려진 733개의 유기 분자 데이터셋을 통해 이 시스템을 훈련시켰고, 모델은 분자 내에서 전자가 어디에 위치할지 예측하는 법을 배웠습니다. 결과는 놀라웠습니다. 이 모델은 보통 며칠이 소요되는 골드 스탠더드(gold-standard) 고성능 컴퓨터 시뮬레이션과 비교했을 때 1% 미만의 오차율로 전자 분포를 예측했습니다.

이 성취가 특히 중요한 이유는 단지 정확성 때문만이 아니라, 이 모델이 일반적인 인공지능 시스템이 저지르는 흔한 실수들을 피하기 때문입니다. 표준 컴퓨터 모델은 종-종 분자에 유사한 부분이 여러 개 있을 때 어떤 부분이 무엇을 하는지 혼동하거나, 전기적 특성을 잘못된 원자에 할당하는 등의 문제를 겪습니다. 그러나 이 새로운 모델은 일관되게 올바른 영역을 식별하며, 순수 데이터 기반 모델이 갖지 못한 화학적 직관을 보여주었습니다. 이는 모델이 인간 전문가가 가치 있게 여기는 동일한 구조적 상호작용을 우선시하도록 구축되었기 때문입니다. 연구진이 모델 내부를 들여다보며 모델이 무엇에 "주의를 기울이고 있는지" 확인했을 때, 모델은 인간 전문가들이 눈을 늦추어 조사했던 것과 정확히 일치하는 연결 고리와 기능기를 강조하고 있었습니다. 컴퓨터가 효과적으로 화학자처럼 분자를 보는 법을 배워, 재료의 성능을 결정하는 다리와 결정적인 접점들에 집중하게 된 것입니다.

이 작업의 함의는 단순히 더 빠르게 정답을 얻는 것에 그치지 않습니다. 과거에 과학 분야의 인공지능은 컴퓨터가 결론에 도달한 방식에 대한 설명 없이 예측값만을 내놓는 '블랙박스'인 경우가 많았습니다. 이 새로운 접근 방식은 그 추론 과정에 대한 명확한 시야를 제공합니다. 모델의 주의 메커니즘이 인간의 시각적 행동과 일치하기 때문에, 과학자들은 모델의 출력을 보고 모델이 분자의 어느 부분을 중요하게 여기는지 정확히 알 수 있습니다. 이는 분자의 서로 다른 부분들이 어떻게 서로에게 영향을 미치는지에 대한 정량적인 지도를 제공하며, 더 나은 재료를 설계하기 위한 새로운 도구를 제시합니다. 연구진은 모델이 분자의 전자적 특성에 강력한 영향을 미치는 특정 구조적 쌍을 식별할 수 있음을 보여주었으며, 이는 화학자들이 성능을 개선하기 위해 어디를 수정해야 할지에 대한 가이드를 제공합니다. 연구진은 인간의 인지 패턴을 기계의 아키텍처에 직접 내재시킴으로써, 데이터가 부족하고 정밀함이 무엇보다 중요한 분야에서 단순한 계산을 넘어 '이해'를 수행하며 인간의 직관과 계산 능력 사이의 간극을 메우는 시스템을 만들어냈습니다.