Extension of Graph Convolution Network for Sigma-Profile Prediction to Silicon-Containing Compounds

화학 공학의 방대한 세계에서, 서로 다른 물질들이 혼합될 때 어떻게 행동할지 예측하는 것은 근본적인 과제입니다. 열이나 압력 하에서 성분들이 어떻게 상호작용할지 모르는 상태로 새로운 윤활제, 냉매, 또는 전자 기기용 코팅제를 설계한다고 상상해 보십시오. 수십 년 동안 과학자들은 분자의 표면에 있는 전기적 전하 분포를 계산하여, 그 분자가 이웃한 분자들과 어떻게 결합할지를 결정하는 고유한 지문을 만들어내는 양자 역학 기반의 복잡한 컴퓨터 시뮬레이션에 의존해 왔습니다. 이 과정은 매우 정확하지만, 강력한 슈퍼컴퓨터와 전문 지식을 필요로 하며 믿을 수 없을 정도로 느리고 비용이 많이 듭니다. 이는 해변의 모양을 이해하기 위해 해변에 있는 모든 모래알의 정확한 무게를 측정하려는 것과 같습니다. 데이터는 완벽하지만, 그 노력은 종종 신속한 발견을 수행하기에는 너무나 큽니다.

이를 가속화하기 위해 연구자들은 머신러닝을 활용하여, 매번 무거운 시뮬레이션을 실행하지 않고도 분자 구조에서 패턴을 인식하여 이러한 지문을 예측할 수 있도록 컴퓨터를 학습시켜 왔습니다. 그러나 이 접근 방식에는 중대한 격차가 존재했습니다. 기존의 모델 대부분은 탄소, 수소, 산소로 이루어진 흔한 유기 화합물에 기반하여 훈련되었습니다. 이 모델들은 실란트(sealants)와 윤활제부터 컴퓨터 내부의 칩에 이르기까지 모든 것에 필수적인 재료인 규소 함유 화합물을 마주했을 때 어려움을 겪었습니다. 규소는 탄소와 다르게 행동하기 때문에, 기존 모델들은 이러한 재료가 혼합물 내에서 어떻게 작용할지 정확하게 예측할 수 없었고, 이로 인해 엔지니어들은 추측에 의존하거나 희귀한 실험 데이터에 의존해야 했습니다.

고려대학교와 SK Inc. AX의 연구팀은 이제 이러한 예측 도구의 범위를 확장함으로써 이 격차를 메웠습니다. 그들은 특수한 유형의 인공지능과 정교한 열역학 모델을 결합하여 규소 기반 화학 물질의 거동을 정확하게 예측하는 새로운 프레임워크를 개발했습니다. 이 시스템은 모든 새로운 분자에 대해 느리고 무거운 양자 계산을 실행하는 대신, 분자 구조, 특히 작용기의 배치를 살펴보고 즉각적으로 필요한 표면 전하 지도를 생성합니다. 시그마 프로파일(sigma-profile)이라고 알려진 이 지도는 분자가 다른 분자들과 어떻게 상호작용할지에 대한 청사진 역할을 합니다.

연구진은 먼저 거대한 새로운 훈련 데이터베이스를 구축하는 것으로 시작했습니다. 그들은 기존의 3,500개 이상의 유기 화합물 컬렉션에 새로 생성된 546개의 규소 함유 화합물을 추가하여, 총 4,102개의 독특한 분자로 규모를 키웠습니다. 이 새로운 규소 화합물들을 위한 훈련 데이터를 만들기 위해, 연구진은 먼저 엄격한 양자 계산을 수행하여 올바른 '정답(ground truth)'을 확립했습니다. 그런 다음 그래프 기반 신경망을 사용하는 머신러고닝 모델이 수소 또는 산소와 결합된 규소 원자와 같은 규소 중심 그룹의 특정 패턴을 인식하도록 학습시켰습니다. 이를 통해 모델은 이전 데이터셋에서 누락되었던 규소의 고유한 화학적 언어를 배울 수 있었습니다.

학습을 마친 후, 모델은 다양한 혼합물의 기-액 평형(vapor-liquid equilibrium)을 예측하는 능력을 테스트받았습니다. 이는 엔지니어들에게 액체가 언제 기체로 변할지, 또는 두 액체가 어떻게 분리될지를 알려주는 매우 중요한 측정치입니다. 연구진은 모델의 예측치를 규소 화합물을 포함하는 이성분계(binary systems)에 대한 실제 실험 데이터와 비교했습니다. 결과는 매우 정확했습니다. 모델은 시스템의 압력을 평균 4.56%의 오차로 예측했으며, 증기의 조성은 몰 분율(mole fraction)에서 단 0.02의 오차만을 보였습니다. 이 수치들은 머신러닝 접근 방식이 훨씬 느린 전통적인 양자 방법과 대등한 수준의 정밀도로 복잡한 규소 혼합물의 거동을 재현할 수 있음을 나타냅니다.

이 성공의 핵심 요소는 카르복실산(carboxylic acid) 상호작용을 명시적으로 고려하는 업데이트된 열역학 모델의 채택이었으며, 이를 통해 특정 산성 그룹을 가진 분자들까지 정확하게 처리할 수 있었습니다. 전체 과정은 대상 분자에 대한 분자 구조 파일을 생성하거나 양자 계산을 수행하지 않고 진행됩니다. 대신, 분자 구조를 나타내는 단순한 텍는 문자열을 입력받아 순식간에 필요한 열역학적 특성을 출력합니다. 이러한 성과는 화학 산업에 실용적이고 효율적인 도구를 제공하며, 기존의 발견 속도를 늦추었던 계산적 병목 현상 없이 전자 제품, 냉동 및 산업용 코팅을 위한 새로운 규소 기반 재료의 신속한 스크리닝과 설계를 가능하게 합니다.