From Black Boxes to Formulas: Interpretable Kolmogorov-Arnold Networks for HF-3c-to-DFT Descriptor Prediction

화학의 세계에서 과학자들은 종종 속도와 정밀함 사이에서 어려운 선택에 직면합니다. 분자가 어떻게 행동하는지 이해하기 위해, 그들은 밀도 범함수 이론(density functional theory)이라 불리는 방법에 기반한 강력한 컴퓨터 시뮬레이션에 의존합니다. 이 접근 방식은 마치 고해상도 현미경과 같아서, 분자의 에너지와 전자 구조의 복잡한 세부 사항을 매우 정확하게 보여줍니다. 하지만 이러한 시뮬레이션을 실행하는 것은, 특히 크고 복잡한 분자 집합체를 연구할 때 컴퓨팅 자원 측면에서 엄청난 비용이 듭니다. 이는 수천 개의 잠재적 재료를 스크리닝하기에는 너무 느린 경우가 많습니다. 이를 해결하기 위해 연구자들은 분자의 특성을 대략적인 스케치 형태로 제공하는 훨씬 빠르고 저렴한 방법을 자주 사용합니다. 과제는 항상 그 대략적인 스케치를 매번 비싼 시뮬레이션을 실행하지 않고도 어떻게 신뢰할 수 있는 고해상도 사진으로 바꾸느냐 하는 것이었습니다.

ITMO 대학교의 연구팀은 복잡하고 불투명한 컴퓨터 모델에서 벗어나 단순하고 투명한 수학적 규칙으로 나아가는 새로운 방법을 찾아냈습니다. 그들은 천 개 이상의 특정 고리형 분자 구조에 집중했습니다. 각 구조에 대해 그들은 두 가지 데이터 세트, 즉 빠르고 저렴한 추정치와 느리지만 정밀한 값을 가지고 있었습니다. 그들의 목표는 저렴한 수치를 정밀한 수치로 바꾸기 위해 필요한 정확한 보정값을 컴퓨터가 학습하도록 가르치는 것이었습니다. 연구진은 이 분야의 표준이 된, 내부 로직을 인간이 읽을 수 없어 '블랙박스'라고 불리는 거대하고 복잡한 신경망을 사용하는 대신, 콜모고로프-아르노프(Kolmogorov-Arnold) 네트워크라고 불리는 새로운 유형의 네트워크를 채택했습니다. 이 설계는 예측을 쉽게 추적하고 이해할 수 있는 단순한 단일 변수 함수를 사용하여 예측을 구축한다는 점에서 다릅니다.

결과는 놀라웠습니다. 불과 몇 백 개의 조정 가능한 설정값만을 가진 이 새로운 네트워크는 복잡한 트리 기반 시스템과 심층 신경망을 포함한 10개의 기존 모델보다 그들이 테스트한 모든 특성에서 더 뛰어난 성능을 보였습니다. 이러한 특성에는 분자의 에너지, 엔트로피(무질서도의 척도), 전기 쌍극자 모멘트, 그리고 가장 높은 에너지 준위와 가장 낮은 에너지 준위 사이의 간격(gap)이 포함되었습니다. 가장 중요한 점은, 연구진이 단순히 더 나은 수치를 얻은 것이 아니라, 왜 그 수치가 작동하는지에 대한 명확한 설명을 얻었다는 것입니다. 훈련된 네트워크를 분석함으로써, 그들은 저렴한 추정치와 정밀한 값 사이의 관계가 예상보다 훨씬 더 단순하다는 것을 발견했습니다. 세 가지 에너지 관련 특성의 경우, 전체 복잡한 보정 과정이 단 하나의 직선 규칙으로 축소되었습니다. 즉, 정밀한 값은 단순히 저렴한 값에 아주 작은 인수를 곱한 뒤 일정한 양을 더한 값이라는 것입니다. 이는 이러한 에너지들에 대해, 빠른 방법과 느린 방법 사이의 차이가 혼란스럽고 예측 불가능한 왜곡이 아니라 본질적으로 균일한 스케일링 문제임을 의미합니다.

또한 이 연구는 대부분의 특성에 대해 보정이 대응하는 저렴한 측정치 자체에 거의 전적으로 의존한다는 사실을 밝혀냈습니다. 예를 들어, 정밀한 엔트로피 값은 거의 전적으로 저렴한 엔트로피 값에 의해 결정되며, 정밀한 전기적 간격은 저렴한 간격에 의해 결정됩니다. 네트워크는 정확한 예측을 하기 위해 다양한 유형의 데이터를 혼합하거나 조합할 필요가 없으며, 단지 주어진 특정 수치를 조정하기만 하면 된다는 것을 학습했습니다. 이 발견은 저렴한 데이터를 업그레이드하는 데 필요한 신호가 이미 데이터 자체 내에 포함되어 있으며, 적절한 형태의 단순한 공식을 통해 해제되기를 기다리고 있음을 시사합니다. 전기적 간격과 쌍극자 모멘트라는 두 가지 특성의 경우, 그 거동을 포착하기 위해 약간 더 복잡한 규칙이 필요했지만, 연구진은 여ongs 불구하고 네트워크의 로직을 누구나 종이에 적을 수 있는 짧고 읽기 쉬운 방정식으로 추출해 낼 수 있었습니다.

이 작업은 화학 분야에서 머신러닝에 접근하는 방식의 중대한 변화를 나타냅니다. 이는 높은 정확도가 블랙박스를 필요로 하지 않는다는 것을 입증합니다. 해석 가능한 구조로 설계된 네트워크를 사용함으로써, 연구진은 가장 정교한 모델들과 성능을 맞추면서도 검증 가능하고 전이 가능한 결과를 생성할 수 있음을 보여주었습니다. 전통적인 신경망의 복잡하고 숨겨진 층들은 몇 가지 명확한 선형 관계와 소수의 작은 조정값들로 대체되었습니다. 이는 미래에 화학자들이 고품질의 데이터를 얻기 위해 거대하고 설명 불가능한 컴퓨터 프로그램에 의존할 필요가 없음을 의미합니다. 대신, 그들은 계산이 어떻게 도출되었고 왜 그렇게 작동하는지를 정확히 알면서도, 이러한 투명한 공식들을 사용하여 새로운 분자 구조의 거동을 빠르고 자신 있게 추정할 수 있습니다. 이 연구는 이 특정 클래스의 분자 고리에 대해, 대략적인 추정치에서 정밀한 값으로 가는 경로가 미스터리가 아니라 명확한 수학적 직선임을 확인해 줍니다.