가이드 확산으로 전이 상태를 미리 샘플링하는 ASTRA

초록

화학 반응과 구조 변화의 핵심인 전이 상태 탐색은 기존 방법이 경험적 가정에 의존해 한계가 있었다. 본 연구는 생성형 AI인 확산 모델을 활용한 새로운 프레임워크 ‘ASTRA’를 제안한다. ASTRA는 반응물과 생성물 상태 데이터만으로 모델을 학습시킨 후, 조건부 점수를 조합해 전이 영역을 샘플링하고, 점수 정렬 상승(SAA) 과정을 거쳐 정확한 전이 상태 구조로 수렴한다. 2차원 전위부터 생체 분자에 이르기 다양한 시스템에서 높은 정밀도로 전이 상태를 찾고 여러 반응 경로를 동시에 발견할 수 있음을 입증했다.

상세 분석

본 논문이 제안하는 ASTRA 방법론의 기술적 핵심은 ‘생성 모델의 추론 과정을 체계적으로 제어하여 물리적으로 의미 있는 영역(전이 상태)을 샘플링한다’는 점이다. 기존 데이터 기반 접근법이 학습 데이터 분포 내에서만 샘플링하거나, 정확한 포텐셜 에너지 면(PES) 학습에 의존한 데 반해, ASTRA는 두 가지 독창적인 메커니즘을 도입한다.

첫째, ‘점수 기반 보간(Score-Based Interpolation, SBI)‘이다. 반응물(A)과 생성물(B) 상태 각각에 대해 조건부로 학습된 확산 모델의 점수(데이터 분포의 로그 그래디언트)를 활용한다. 두 조건부 점수를 ( S_A )와 ( S_B )라고 할 때, ( S_A - S_B )는 두 상태 분포의 로그 확률 차이의 그래디언트로 해석될 수 있다. 이 차이가 0이 되는 지점, 즉 두 상태에 속할 확률이 동일한 ‘등밀도 표면’을 추론 타겟으로 설정한다. 이는 사전에 전이 경로에 대한 정보가 없어도, 오직 안정 상태 데이터만으로 전이 영역을 추정할 수 있게 하는 핵심 원리다.

둘째, ‘점수 정렬 상승(Score-Aligned Ascent, SAA)’ 과정이다. SBI를 통해 등밀도 표면 근처에서 샘플링된 초기 구조들은 완전한 전이 상태(일차 안장점)가 아닐 수 있다. SAA는 ( S_A - S_B ) 벡터를 반응 좌표의 근사치로 사용한다. 이 근사 반응 좌표 방향으로는 에너지를 상승시키고(안장점 정상으로 이동), 그에 수직인 방향으로는 물리적 힘(포텐셜 에너지의 음의 그래디언트)을 이용해 에너지를 하강시킨다. 이는 생성 모델이 PES 전체를 완벽히 학습할 필요 없이, 생성 모델이 제공하는 ‘방향성’과 물리 법칙이 제공하는 ‘정밀한 에너지 최적화’를 결합한 하이브리드 접근법이다.

이러한 설계는 몇 가지 중요한 통찰을 반영한다. 1) 전이 상태는 주변 안정 상태의 확률 분포로부터 추론 가능한 통계적 특성을 가진다. 2) 생성 모델은 복잡한 데이터 매니폴드를 학습하는 데 탁월하지만, 에너지 정확도는 물리적 힘 계산이 더 낫다. 양자의 장점을 결합하면 데이터 효율성과 정확성을 동시에 확보할 수 있다. 3) 단일 경로가 아닌 전이 상태 ‘앙상블’을 샘플링함으로써, 기존 최적화 기반 방법이 놓치기 쉬운 다중 반응 경로를 자연스럽게 발견할 수 있다. 실험에서 Müller-Brown 전위와 알라닌 디펩타이드에서 여러 개의 서로 다른 안장점을 동시에 찾은 것이 이를 입증한다.