Beyond Jacob’s Ladder: A Physics-driven AI Approach to Density Functional Theory

분자의 세계를 이해하기 위해 과학자들은 밀도 범함수 이론(Density Functional Theory)이라 불리는 강력한 수학적 틀에 의존합니다. 이 접근 방식은 연구자들이 원자핵을 둘러싼 보이지 않는 전자 구름을 살펴봄으로써, 원자들이 어떻게 결합할지, 화학 반응이 얼마나 많은 에너지를 방출할지, 그리고 분자가 얼마나 안정적일지를 예측할 수 있게 해줍니다. 수십 년 동안 이러한 예측의 정확도는 전자 구름을 묘사하는 데 사용되는 수학적 공식의 복잡성에 달려 있었습니다. 과학자들은 더 나은 결과를 얻기 위해 공식에 더 많은 세부 사항을 추가하며 은유적인 사다리를 한 단계씩 올라가는 전통적인 방식을 취해 왔습니다. 그러나 이 과정에는 무거운 대가가 따랐습니다. 공식이 더 정교해질수록 계산은 너무 느리고 까다로워져서, 크고 실제적인 시스템에 적용할 때 종종 실패하곤 했습니다. 도구들이 세부 사항을 보기에는 너무 무거워진 지점에 도달하면서, 많은 화학적 질문들이 해결되지 못한 채 남아 있게 되었습니다.

모나쉬 대학교(Monash University)의 연구팀은 더 복잡한 공식의 필요성을 우회하는, 다른 길을 제시했습니다. 그들은 전자 구름을 설명하기 위한 완벽한 방정식을 쓰려고 노력하는 대신, 컴퓨터 프로그램이 그 구름의 형태로부터 물리학을 직접 학습하도록 가르쳤습니다. 신경망에 전자 밀도(특정 지점에 전자가 얼마나 있는지를 나타내는 단순한 척도)라는 가공되지 않은 데이터를 입력함으로써, 기계가 분자의 거동을 지배하는 규칙을 스스로 발견하게 했습니다. 그 결과, 기존의 가장 뛰어난 도구들에 필적하는 정밀도로 분자의 에너지를 예측하면서도, 과도한 계산 부담은 없는 새로운 방법이 탄나왔습니다. 이 접근 방식은 전자 구름 자체가 분자를 이해하는 데 필요한 모든 정보를 담고 있으며, 단지 컴퓨터가 그것을 읽어낼 올바른 방법만 갖추고 있다면 가능하다는 점을 시사합니다.

연구진은 dML-DFT라고 부르는 시스템을 개발했는데, 이는 '밀도 기반 머신러닝 밀도 범함수 이론(density-driven machine learning density functional theory)'의 약자입니다. 전통적인 방식에서 과학자들은 전자가 어떻게 상호작용하는지를 설명하는 규칙을 수동으로 구축해야 하며, 종종 최적의 수학적 형태를 추측하기도 합니다. 이 새로운 시스템은 그러한 추측을 완전히 건너뜁니다. 연구팀은 계산하기 쉬운 매우 기초적이고 단순한 전자 밀도 계산에서 시작했습니다. 그런 다음 이 데이터를 패턴을 찾는 데 설계된 인공지능의 일종인 신경망에 전달했습니다. 결정적으로, 그들은 컴퓨터에게 어떤 종류의 원자가 존재하는지 또는 그들이 어떻게 연결되어 있는지 알려주지 않았습니다. 기계는 원소의 이름이나 공간상의 위치를 부여받지 못했으며, 오직 여러 지점에서의 전자 밀도를 나타내는 숫자만을 보았습니다.

목표는 컴퓨터가 전자 구름의 형태와 분자의 총 에너지 사이의 관계를 학습하는 것이었습니다. 이를 가르치기 위해 연구진은 특정한 훈련 전략을 사용했습니다. 그들은 기계에게 두 가지 핵심 속성을 예측하도록 요청했습니다. 하나는 분자를 개별 원자로 분해하는 데 필요한 에너지이고, 다른 하나는 두 개의 분리된 분자가 서로 붙을 때 발생하는 에너지입니다. 컴퓨터는 예측을 수행했고, 연구진은 이를 이미 알려진 고도로 정확한 참조 값들과 비교했습니다. 만약 예측이 틀리면, 컴퓨터는 오차를 줄이기 위해 내부 연결을 조정했습니다. 이 과정은 기계가 놀라운 일관성으로 에너지를 예측할 수 있을 때까지 수천 번 반복되었습니다.

이 훈련의 결과는 놀라웠습니다. 다양한 분자에 대해 테스트했을 때, 새 모델은 많은 시스템에서 1킬로칼로리 퍼 몰(kcal/mol) 미만의 정확도를 달اً했습니다. 화학의 세계에서 이는 예측이 실제 응용 분야에서 신뢰할 수 있을 만큼 믿을 만한 수준인 '화학적 정확도(chemical accuracy)'로 간주됩니다. 이 모델은 다른 방법들을 테스트하는 데 사용되는 표준적인 분자 집단에서 탁월한 성능을 보였으며, 종종 현재 사용되는 가장 정교한 공식들보다 더 뛰어난 성능을 보였습니다. 예를 들어, 서로 다른 분자들이 얼마나 강하게 끌어당기는지를 예측할 때, 새 접근 방식은 기존의 가장 뛰어난 전통적 방법들이 흔히 어려움을 겪는 상호작용 부분에서 훨씬 더 정확했습니다.

가장 중요한 발견 중 하나는 모델이 원자가 무엇인지 배우지 않고도 시스템의 물리학을 학습했다는 점입니다. 모델은 자신이 보고 있는 것이 탄소인지, 산소인지, 아니면 철인지 알지 못했습니다. 그것은 단지 특정 패턴의 전자 밀도가 특정 에너지 값과 대응된다는 것을 학습했을 뿐입니다. 이는 시스템이 보편적임을 의미합니다. 즉, 훈련 과정에서 충분한 다양한 원소의 사례를 보았다면, 새로운 미지의 분자에도 그 교훈을 적용할 수 있습니다. 연구진은 복잡한 화학 반응, 여기에는 라디칼(radicals)이라 불리는 불안정한 분자와 전자가 특이하게 행동하는 상관 관계가 있는 시스템을 포함하여 모델의 성능을 입증했습니다. 이러한 어려운 사례에서도, 모델은 이 복합적인 반응 중 일부를 훈련 데이터에 추가하여 이해를 정교화했을 때 높은 정확도를 유지했습니다.

또한 이 연구는 해당 방법이 여전히 직면한 과제들을 강조했습니다. 모델이 훈련 데이터에서 매우 드물게 등장하는 원소, 예를 들어 특정 환경의 특정 금속들을 마주했을 때 정확도가 떨어졌습니다. 이것은 개념의 결함이 아니라 사례로부터 학습하는 과정의 자연스러운 한계입니다. 컴퓨터가 특정 유형의 상황을 충분히 보지 못했다면 완벽하게 예측할 수 없습니다. 그러나 연구진은 이러한 희귀한 사례들을 훈련 세트에 더 많이 추가하는 것만으로도 결과가 빠르게 개선됨을 보여주었습니다. 이는 이 방법이 견고하며, 더 많은 데이터가 확보됨에 따라 지속적으로 개선될 수 있음을 시사합니다.

이 작업은 분자 에너지를 계산하는 방식에 대한 과학적 접근의 변화를 나타냅니다. 자연을 미리 작성된 수학적 상자에 억지로 끼워 맞추는 대신, 연구진은 데이터가 스스로 말하게 했습니다. 전자의 교환과 상관 관계를 유도되어야 할 별개의 규칙들이 아닌, 학습되어야 할 하나의 통합된 현상으로 다룸으로써, 그들은 매우 정확하면서도 계산 효율적인 도구를 만들어냈습니다. 이 접근 방식의 성공은 전자 밀도가 분자의 거동을 설명하는 데 필요한 모든 정보를 담고 있다는 것과, 인공지능이 전통적인 공식보다 더 효과적으로 그 정보를 추출할 수 있다는 것을 증명합니다. 이는 복잡한 화학 반응을 연구하고 새로운 재료를 발견하는 데 있어 이전에는 도달할 수 없었던 속도와 정밀도를 열어주며, 과학자들이 새로운 강력한 렌즈를 통해 화학 세계를 탐구할 수 있도록 힘을 실어줍니다.