구조 혁신을 이끄는 물리‑인포메드 생성 모델

초록

본 논문은 결정 구조 생성에 물리적 제약을 결합한 확산 모델(PIGEN)을 제안한다. 구조 다양성을 정량화하는 로컬 환경 다양성(MLED)과 전역적인 포장 효율을 나타내는 Compactness를 저비용 프록시로 활용해, 모델 학습 단계에서 조건부 신호로 삽입한다. 조건부 샘플링을 통해 기존 데이터베이스에 편중된 구조를 회피하고, 물리적으로 타당하면서도 새로운 구조 유형을 다량 생성한다. 생성된 후보는 SPP 점수와 에너지 힐(energy‑above‑hull) 필터링을 거쳐 CSP(결정 구조 예측)와 연계해 최종적인 안정성과 신선도를 검증한다. 결과적으로 AI‑CSP 협업 파이프라인이 신물질 탐색 효율을 크게 향상시킴을 보였다.

상세 분석

이 연구는 기존 생성 AI가 훈련 데이터의 통계적 분포에 머무르는 한계를 극복하고, 물리적 타당성을 유지하면서도 화학·구조적 신선도를 확보하는 새로운 프레임워크를 제시한다. 핵심 아이디어는 두 가지 저비용 물리적 프록시, 즉 (1) Local‑Environment Diversity (MLED)와 (2) Compactness(C)를 정의하고 이를 모델의 손실 함수와 조건부 입력에 동시에 통합하는 것이다. MLED는 각 원자 사이트의 배위 다면체와 주변 원소 조합을 Gaussian 커널로 부드럽게 변환해 Shannon 엔트로피를 계산함으로써, 단순히 카테고리 빈도만을 보는 기존 방법보다 구조적·화학적 다양성을 정량적으로 평가한다. Compactness는 원자 구의 총 부피와 셀 부피의 비율로 정의되어, 원자들이 셀을 얼마나 효율적으로 채우는지를 나타내며, 이는 에너지 최소화와 직접적인 상관관계를 가진다.

PIGEN은 DiffCSP 기반의 denoising diffusion 모델에 위 두 프록시를 손실과 조건으로 삽입한다. 훈련 시에는 라벨 드롭아웃을 적용해 조건부와 무조건부 경로를 모두 학습시키고, 이를 통해 Classifier‑Free Guidance(CFG)를 구현한다. 샘플링 단계에서는 목표 Compactness와 MLED 값을 지정함으로써, 원하는 물리적·구조적 특성을 갖는 후보를 직접적으로 유도한다. 실험 결과, Compactness가 0.7 정도인 구조가 훈련 데이터에서 에너지 힐과 높은 상관을 보이며, MLED를 고값으로 설정하면 훈련 분포의 99번째 백분위수 이상에 해당하는 희귀 배위 환경을 43 %까지 생성한다. 또한, ICSD 상위 100개 프로토타입과의 매칭 비율을 낮춰(67 %) 기존 데이터베이스에 편중된 구조를 효과적으로 회피한다는 점이 입증되었다.

후처리 단계에서는 SPP(Statistical Potential) 점수와 50 meV/atom 이하의 에너지 힐 필터를 적용해 물리적 타당성을 검증하고, 최종적으로 CSP를 수행한다. 흥미롭게도, 일부 후보는 CSP 후 에너지 지형이 크게 변하면서 초기의 Compactness·MLED와 불일치하는 경우가 발견되었으며, 이는 AI‑CSP 연계가 서로 보완적인 탐색 전략임을 시사한다. 전체 파이프라인은 (1) 저비용 프록시 기반 조건부 확산 모델, (2) 화학적·물리적 검증 워크플로, (3) CSP 재평가의 순환 구조로 구성되어, 대규모 물질 탐색에서 효율성과 신뢰성을 동시에 달성한다.

이러한 접근은 기존 데이터에 의존적인 생성 모델의 한계를 넘어, 물리 법칙을 내재화한 생성‑예측 협업 체계를 제공한다는 점에서 재료 과학·AI 융합 연구에 중요한 전환점을 제시한다.