MLP 기반 알케미컬 자유에너지 계산으로 실험 수준 정확도 달성

초록

본 논문은 전이 학습된 MACE‑OFF 머신러닝 포텐셜에 소프트코어 스케일링을 도입해, 전통적인 알케미컬 변환 방식을 그대로 사용하면서도 전체 시스템을 MLP로 모델링한다. λ‑의존성 파라미터를 비학습 파라미터에 적용하고, 겹침 시 발생하는 발산을 방지하기 위해 DFT 기반의 소프트코어 이합체 데이터를 추가 학습하였다. OpenMM 구현을 통해 다양한 유기분자의 용매 자유에너지를 계산했으며, 실험값과의 RMSD가 0.5 kcal·mol⁻¹ 이하인 ‘서브‑케미컬’ 정확도를 달성하였다.

상세 분석

이 연구는 알케미컬 자유에너지 계산이 경험적 포스필드의 한계, 특히 전하 고정 및 토션 파라미터의 부정확성에 크게 좌우된다는 점을 출발점으로 삼는다. 기존 MLP는 높은 정확도를 제공하지만, 비선형 포텐셜을 직접 λ에 따라 스케일링하기 어려워 알케미컬 변환에 적용하기 힘들었다. 저자들은 두 가지 핵심 전략으로 이를 극복한다. 첫째, 10가지 원소 쌍에 대해 DFT(ωB97M‑D3BJ/def2‑TZVPPD) 수준의 에너지·힘 데이터를 기반으로 소프트코어 이합체 곡선을 생성하고, 이를 MACE‑OFF24 학습 데이터에 추가함으로써 겹침 시 발생하는 무한대 에너지 발산을 사전에 학습시켰다. 여기서 스위칭 포인트는 최소 힘 기울기(≈3 eV/Ų)를 만족하도록 조정되어, 평형 구조와 최소 에너지 위치는 보존되면서 고에너지 영역만 부드럽게 처리된다. 둘째, MACE 아키텍처의 비학습 파라미터 α_ij에 λ‑의존성을 부여해, 솔루트와 용매 사이의 두‑체 상호작용을 선형적으로 스케일링한다. 이는 기존 Beutler식 소프트코어와 유사하지만, MLP 내부의 다체 텐서 연산에 직접 적용되므로, 메시지 패싱 과정 전체에 걸쳐 일관된 λ‑스케일링이 유지된다. 구현은 OpenMM 플러그인 형태로 제공되어, 기존 pymbar·pmx 워크플로와 바로 연동 가능하다. 검증에서는 30여 종의 유기 분자를 대상으로 6가지 용매(물, 메탄올, 아세톤 등)에서 용매 자유에너지를 계산했으며, 실험값과의 평균 절대 오차는 0.42 kcal·mol⁻¹, RMSD는 0.55 kcal·mol⁻¹에 머물렀다. 또한, λ‑윈도우 간 오버랩이 충분히 확보되어, 전통적인 FEP 대비 30 % 정도의 샘플링 비용 감소를 보였다. 이러한 결과는 MLP 기반 포텐셜이 알케미컬 자유에너지 계산에 실용적으로 적용될 수 있음을 강력히 시사한다.