분자 설계 최적화 시뮬레이티드 어닐링과 진화 알고리즘 비교

초록

본 논문은 분자 평균 초극성(β) 값을 최대화하기 위해 SMILES 문자열을 이용해 분자를 표현하고, 시뮬레이티드 어닐링(SA)과 진화 알고리즘(EA)의 탐색 효율을 비교한다. 두 방법 모두 유사한 성능을 보이며, 실제 화학·재료 과학 문제에 적용 가능함을 시사한다.

상세 분석

본 연구는 비선형 광학 물질의 핵심 지표인 분자 평균 초극성(β)을 목표 함수로 설정하고, 화학 구조를 텍스트 기반의 SMILES 문자열로 인코딩한다는 점에서 최신 컴퓨터 화학과 인공지능 융합 연구의 흐름을 잘 반영한다. SMILES는 짧은 ASCII 문자열로 복잡한 분자 구조를 표현할 수 있어, 전통적인 그래프 기반 모델보다 유전 연산(돌연변이·교차) 적용이 용이하다. 논문은 먼저 SMILES 문자열을 무작위 초기 집합으로 생성한 뒤, 두 개의 최적화 프레임워크를 독립적으로 적용한다. 시뮬레이티드 어닐링은 온도 스케줄을 통해 탐색 범위를 점진적으로 축소하며, 변이 연산으로는 원자 삽입·삭제·치환을 수행한다. 반면 진화 알고리즘은 선택·교차·돌연변이 과정을 반복하며, 특히 교차 연산을 통해 두 부모 SMILES의 서브스트링을 교환함으로써 새로운 구조를 창출한다. 두 방법 모두 초극성 계산에 양자화학적 근사 모델(예: TD‑DFT 기반 선형 응답) 또는 데이터 기반 예측 모델을 사용했으며, 계산 비용을 최소화하기 위해 사전 학습된 회귀 모델을 보조한다. 실험 결과는 최적화된 분자들의 β 값 분포, 수렴 속도, 그리고 탐색된 구조 다양성을 정량적으로 비교한다. SA는 초기 고온 단계에서 넓은 탐색을 수행해 전역 최적점에 도달할 확률이 높았으며, 온도 감소가 진행될수록 미세 조정에 강점을 보였다. EA는 집단 기반 탐색으로 다양한 지역 최적점을 동시에 탐색했으며, 교차 연산 덕분에 새로운 구조 조합을 빠르게 생성했다. 최종적으로 두 알고리즘 모두 평균 β 값이 비슷한 수준에 도달했으며, 구조 다양성 측면에서는 EA가 약간 우수했다. 이러한 결과는 SMILES 기반의 분자 최적화가 알고리즘 선택에 크게 의존하지 않으며, 문제 특성에 맞춰 하이퍼파라미터를 조정하면 어느 방법이라도 실용적인 솔루션을 제공할 수 있음을 시사한다. 또한, 본 연구는 초극성 외에도 전자 전도성, 광학 투과성 등 다양한 물성 목표에 대한 다목적 최적화 프레임워크 구축의 가능성을 열어준다.