양자화학 인공지능 기계학습(ML) 프레임 워크가 맞춤형 분자구조 역설계에 유망한 방법을 제시했다.

복잡한 양자 화학(quantum chemistry)에서 AI는 중요한 화학적 특성을 계산하고 실험 결과를 예측하는 데 활용된다. 예측적 정확성 위해 A.I.는 양자역학(quantum mechanics) 기본 규칙에 대한 이해가 필수지만 한계가 있어왔다.

양자 A.I. 알고리즘의 앞선 연구들은 유용성에도 불구하고 예측 모델에서 양자 화학의 가장 중요한 특성은 파악하지 못했다. 시스템의 특정 상태를 설명하는 데 필요한 변화 요인의 필수인 전자 자유도를 설명하지 못했다.

양자 역학은 중첩 상태를 허용하며, 자유도를 사용하면 시스템을 정확하게 이해하는 데 도움이 될 수 있다. 기존 AI는 이러한 자유도를 고려하지 않아 고전적인 스칼라, 벡터 및 텐서 필드에서 양자화학 실험을 설명, 훨씬 더 많은 계산 시간과 에너지가 필요했다.

새로운 연구에서는 보다 정확하고 빠른 형태의 바닥상태 파동함수 프레임 워크를 설계했다. 그들의 접근 방식을 설명하는 연구는 최근 네이처 커뮤니케이션(Nature Communications) 저널에 발표됐다.

논문 요약에 따르면 연구는 모든 바닥 상태 속성을 도출할 수 있는 원자 궤도 국소성 기반 양자역학적 파동함수 예측 심층학습(deep learning) 프레임워크를 제시했다. 이 접근법은 포스-필드(force-field) 처럼 효율적인 파동함수를 통해 전자 구조에 대한 완전한 액세스를 유지하고 분석적으로 차별화 가능한 표현으로 양자역학을 포착한다. 몇 가지 사례를 통해 전자 특성 최적화, ML, 양자화학의 시너지를 통해 분자 구조 역설계에 유망한 방법을 제시했다.

논문 저자 중 한 사람인 영국 워릭대(University of Warwick) 화학과 라인하르트 마우어(Reinhard Maurer)는 “이는 3년의 공동 노력의 결과로 파동함수의 모양과 행동을 포착할 수 있을 정도로 유연한 인공지능 알고리즘을 개발하는 컴퓨터공학 뿐만 아니라 관리할 수 있는 형식으로 양자 화학 데이터를 처리하고 나타내는 화학 및 물리학 지식도 필요했다”고 말했다.

연구진에 따르면 ‘SchNOrb’로 명명한 심층학습(deep learning) 프레임워크는 ‘화학적 정확도’에 가까운 분자의 전자 궤도를 예측할 수 있게 했다. 이는 분자의 전자 구조에 대한 정확한 이해 및 반응에 ‘풍부한 화학적 해석’을 제공했다. 이 알고리즘에 의해 입증된 기능은 화학자들이 의료 및 산업 용도로 ‘맞춤형(purpose-built) 분자’를 보다 효과적으로 설계하는 데 도움이 된다.

양자 역학은 가시적 세계의 표준 규칙이 적용되는 영역이 아닌 아 원자 수준에서 발생한다. ‘SchNOrb’ 애플리케이션의 핵심적인 유용성, 예측할 수 있는 가능한 많은 수의 원자 궤도는 또한 오류에도 취약하다.

저자들은 이러한 예측 오류의 누적이 예측 프로세스에서 병목 현상을 초래, 여러 면에서 이전 방식에서 개선하려는 것과 동일한 종류의 효율성 문제를 초래할 수 있다고 덧붙였다. 개선이 필요함에도 불구하고 이는 양자 화학과 양자 A.I. 간의 효과적인 협력을 제시, 향후 연구의 핵심이 될 전망이다.

논문명 :Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunctions