재료 설계 혁신: PLaID++ 로 안정·다양성 겸비 무기 결정 생성

초록

PLaID++는 대형 언어 모델을 위시윅(Wyckoff) 텍스트 표현과 RLIP(Interatomic Potential 기반 강화학습)으로 미세조정해, 열역학적으로 안정하고 고유한 무기 결정 구조를 기존 방법보다 약 50 % 높은 비율로 생성한다. 온도 스케일링을 엔트로피 정규화로 활용해 모드 붕괴를 방지하고, 공간군 조건부 생성까지 지원한다.

상세 분석

본 논문은 무기 재료 설계에서 “다양한 후보군 생성”이라는 목표를 위해, 기존 LLM 기반 생성 모델이 직면한 두 가지 핵심 문제—(1) 결정 구조의 대칭성을 효율적으로 인코딩하지 못함, (2) 강화학습 후 모델이 특정 안정한 패턴에 수렴해 다양성이 급감하는 모드 붕괴—를 해결한다. 첫 번째 해결책은 위시킥(Wyckoff) 위치를 텍스트 토큰화한 Wyckoff 텍스트 표현이다. 이 표현은 비대칭 좌표(수백 토큰) 대비 평균 14 % 적은 토큰 수(≈185 토큰)로 동일 정보를 전달하면서, 원자들을 대칭 사이트에 묶어 물리적 사전지식을 모델에 강제한다. 결과적으로 모델은 “대칭 연산 → 전체 구조”를 학습하게 되어, 복잡한 결정도 소수의 토큰 변형만으로 새로운 구조를 만들 수 있다.

두 번째 핵심은 RLIP (Reinforcement Learning from Interatomic Potentials) 로, 기존 RLHF(인간 피드백) 대신 고속 MLIP인 EquiformerV2를 보상 함수로 사용한다. 보상은 세 단계(안정, 준안정, 불안정)로 구분된 에너지‑위‑힐(E_hull) 버킷과, 구조의 Novelty/Uniqueness(Pymatgen StructureMatcher 기반) 및 Space Group 일치를 포함한다. Preference pair를 (stable, metastable), (stable, unstable) 등으로 구성해 DPO(Direct Preference Optimization) 목표에 직접 삽입한다.

특히 온도 스케일링을 DPO 반복마다 점진적으로 상승시켜, 샘플링 엔트로피를 인위적으로 높인다. 온도가 높아질수록 동일 대칭을 유지하면서도 원자 배치가 다양해져 Novelty와 Uniqueness가 상승하지만, 안정성은 약간 감소한다. 논문은 이 트레이드오프를 실험적으로 검증하고, 최적 온도 스케줄이 모드 붕괴를 억제하면서도 S.U.N. (Stable, Unique, Novel) 비율을 50 % 이상 향상시킨다고 보고한다.

실험은 Materials Project의 MP‑20 데이터셋(45 k+ 구조)과 Qwen‑2.5 7B 모델을 4‑bit 양자화 + LoRA로 미세조정한 뒤, 10 k개의 무조건 생성 샘플과 7개의 대표 공간군에 대해 각각 1 k개씩 조건부 샘플을 수집해 DPO 데이터셋을 구축한다. 결과는 (1) Stability: E_hull ≤ 0 eV/atom 구조 비율이 기존 VAE·Diffusion 기반 모델 대비 115 % 향상, (2) Space‑Group 조건부: 목표 공간군을 정확히 맞춘 비율이 50 % 이상 증가, (3) Diversity: 중복 구조 비율이 크게 감소하고, 전체 토큰 효율성이 향상돼 추론 비용이 낮아진다.

이러한 접근은 “텍스트 기반 재료 생성”이라는 새로운 패러다임을 제시한다. 물리적 대칭을 텍스트에 직접 삽입하고, MLIP 기반 보상으로 물리적 타당성을 강화함으로써, 대규모 사전학습 언어 모델을 재료 과학에 바로 적용할 수 있는 실용적 워크플로우를 제공한다. 향후 고차원 합금, 복합산화물 등 더 복잡한 시스템에도 동일한 Wyckoff‑텍스트와 RLIP 프레임워크를 확장할 가능성이 크다.