화학 공간의 무한한 미로를 정복하는 법 표현 완전성을 통한 수렴 학습의 실현

초록

거대한 화학 공간($10^{30}$–$10^{60}$)에서 인공지능 모델이 안정적으로 학습할 수 있도록, 국소적 원자 환경과 전역적 구조 토폴로지를 모두 포괄하는 ‘이중 축 표현 완전성(Dual-Axis RCCL)’ 프레임워크와 이를 실증하는 FD25 데이터셋을 제안한다.

상세 분석

본 논문의 핵심적 기술적 성취는 화학적 다양성을 정량화하고, 이를 모델 학습의 ‘수렴성’과 연결시킨 수학적 프레임워크의 구축에 있다. 저자들은 화학 공간의 방대함으로 인해 발생하는 학습의 불확실성을 해결하기 위해 ‘Dual-Axis RCCL’이라는 이중 구조의 표현 방식을 도입했다.

첫 번째 축인 국소적 축(Local Axis)은 현대 결합 결합 이론(Valence Bond Theory)에 기반하여, 원자 주변의 전자 구조를 GCN(Graph Convolutional Network)을 통해 인코딩한다. 여기서 핵심은 $\xi$라는 단일 디스크립터의 도출이다. 이 디스크립터는 핵, $\sigma$, $\pi$, 반결합 오비탈 에너지를 가중 평균하여 압축하는데, 통계적 분석을 통해 1-hop 이웃 구조의 변화가 $\xi$의 변동을 주도하고 2-hop 이상에서는 변동이 급격히 감소함을 증명했다. 이는 화학적 다양성을 정의하는 ‘최소 단위’가 국소적 원자 환경임을 이론적으로 뒷받침한다.

두 번째 축인 전역적 축(Global Axis)은 ‘무다리 그래프(No-Bridge Graph, NBG)‘라는 혁신적인 개념을 사용한다. 기존의 스캐폴드(Scaffold) 개념이 단순히 분자의 뼈대를 정의하는 데 그쳤다면, NBG는 그래프 이론의 절단 정점/에지 개념을 활용하여 구조적 안정성을 유지하는 최소 토폴로지 단위인 NBG0를 정의한다. 이를 통해 고리(Ring)와 케이지(Cage) 구조를 체계적으로 열거할 수 있는 수학적 기반을 마련했다.

결과적으로 이 두 축의 결합은 ‘국소적 화학 환경’과 ‘전역적 구조 토폴로지’라는 두 가지 독립적인 차원에서 데이터의 커버리지를 계산할 수 있게 한다. 이는 모델이 단순히 데이터를 많이 학습하는 것을 넘어, 화학 공간의 구조적 기저(Basis)를 얼마나 ‘완전하게’ 학습했는지를 측정할 수 있는 정량적 지표를 제공한다는 점에서 매우 강력한 이론적 도구가 된다.

인공지능을 이용한 분자 모델링의 가장 큰 난제는 $10^{30}$에서 $10^{60}$에 이르는 상상할 수 없을 만큼 거대한 화학 공간을 어떻게 효율적으로 학습하느냐는 것이다. 데이터가 늘어남에 따라 모델의 예측 성능이 안정적으로 수렴하는 ‘수렴 학습(Convergent Learning)‘을 달성하기 위해서는, 단순히 데이터의 양을 늘리는 것이 아니라 화학 공간의 구조적 특징을 얼마나 빠짐없이 포괄하느냐가 관건이다. 본 논문은 이 문제를 해결하기 위해 ‘Dual-Axis Representation-Complete Convergent Learning(RCCL)‘이라는 새로운 패러다임을 제시한다.

연구진은 화학 공간을 두 가지 핵심 축으로 분해하여 정의했다. 첫 번째 축은 원자 수준의 국소적 환경이다. GCN을 활용하여 원자 주변의 전자 구조(핵, $\onsigma$, $\pi$, 반결합 오비탈 에너지)를 통합한 $\xi$ 디스크립터를 생성함으로써, 화학적 다양성의 최소 단위를 정량화했다. 두 번째 축은 분자의 전역적 토폴로지이다. ‘무다리 그래프(NBG)’ 개념을 도입하여, 브릿지가 없는 고리 및 케이지 구조를 NBG0라는 최소 단위로 정의하고 이를 체계적으로 분류했다. 이 두 축을 결합함으로써, 모델이 학습해야 할 화학 공간의 ‘표현 완전성(Representation Completeness)‘을 수학적으로 정의할 수 있게 되었다.

이러한 이론적 프레임워크를 실증하기 위해 연구진은 FD25 데이터셋을 구축했다. H, C, N, O, F 원소로 구성된 210만 개의 분자를 포함하는 이 데이터셋은, 앞서 정의한 국소적 유닛 13,302개와 전역적 토폴로지 유닛 165,726개를 거의 완벽하게 커버한다. 이는 기존의 유명한 데이터셋인 GDB 시리즈나 PC3M과 비교했을 때, 두 축 모두에서 10배 이상의 압도적인 커버리지를 보여준다. 즉, FD25는 화학 공간의 핵심적인 구조적 기저를 매우 높은 밀도로 포함하고 있는 ‘표현 완전’에 가까운 데이터셋이다.

실험 결과는 놀라웠다. FD25로 학습된 표준 GNN과 Transformer 기반의 대형 모델(LLM) 모두에서, 학습에 사용되지 않은 완전히 새로운 고리 구조나 비표준 전자 배치를 가진 분자들에 대해서도 매우 강력한 외삽(Out-of-Distribution) 성능을 보였다. 외부 벤치마크(QM9, ANI-1x, OpenFF 등)에서의 평균 절대 오차(MAE)는 약 1.0 kcal/mol 수준으로, 매우 높은 정밀도를 기록했다. 이는 모델의 성능 향상이 단순히 데이터의 양적 팽창이 아니라, 구조적 완전성을 갖춘 데이터의 질적 설계에서 기인했음을 입증한다.

마지막으로 논문은 화학 공간의 완전한 정복을 위한 세 가지 전략을 제안한다. 작은 분자($N \le 6$)의 전수 조사를 통한 기본 구성의 포괄, 고에너지 상태를 포함한 에너지 서브셋 구축, 그리고 원소 조합의 균일성 확보이다. 이 연구는 ‘표현 완전성’이라는 개념을 통해 분자 인공지능 연구가 나아가야 할 새로운 이정표를 제시하며, 데이터 효율적이면서도 해석 가능한 분자 지능(Molecular Intelligence)의 토대를 마련했다.