기계 학습(Machine learning) 기술은 간단한 분자 결합 및 분리에 필요한 에너지를 정확하게 계산한다.

새로운 머신 러닝(ML) 툴은 기존의 방법보다 정확도가 높은 분자를 만들거나 분리하는 데 필요한 에너지를 계산할 수 있다. 이 도구는 현재 단순한 분자만 처리할 수 있지만 양자 화학에 대한 향후 통찰력을 제공한다.

뉴욕의 FIC 계산양자물리 연구소(Flatiron Institute’s Center for Computational Quantum Physics) 과학자 주세페 카레오(Giuseppe Carleo) 공동 저자는“기계 학습을 사용하여 양자 화학을 지배하는 기본 방정식을 풀고 있다. 분자의 형성과 파괴에 대한 더 나은 이해는 생명에 필수적인 화학 반응의 내부 작용을 드러낼 수 있다”고 말했다.

카레오와 공동 연구자 취리히대학 케니 추(Kenny Choo)와 뉴욕 ‘IBM 토마스 왓슨 연구소 안토니오 메자카포(Antonio Mezzacapo)는 12일 ‘네이처 커뮤니케이션즈(Nature Communications)’에 연구를 발표했다.

연구팀의 ML 도구는 물 또는 암모니아와 같은 분자를 조립하거나 분리하는 데 필요한 에너지의 양을 추정한다. 이 계산에는 분자의 전자 구조를 결정해야 한다. 분자의 분자 구조를 결합하는 전자의 집단 행동으로 구성된다. 분자의 전자 구조는 계산하기 까다로운 것으로 분자의 전자가 존재할 수 있는 모든 잠재적 상태와 각 상태의 확률을 결정해야 한다.

전자가 상호 작용하고 서로 기계적으로 얽힌 양자가 되기 때문에 과학자들은 개별적으로 다룰 수 없다. 전자가 많을수록 더 많은 얽힘이 발생하고 문제는 기하 급수적으로 어려워진다. 한 쌍의 수소 원자에서 발견되는 두 전자보다 복잡한 분자에는 정확한 솔루션이 존재하지 않습니다. 심지어 몇 개 이상의 전자를 포함 할 때 근사치조차도 정확도가 떨어진다.

문제 중 하나는 분자의 전자 구조가 원자에서 멀어지면서 무한한 수의 궤도에 대한 상태를 포함한다는 것이다. 또한 한 전자는 다른 전자와 구별 할 수 없으며 두 전자가 같은 상태를 차지할 수 없다. 후자의 규칙은 교환 대칭의 결과로, 동일한 입자가 상태를 전환할 때 발생하는 상황을 제어한다.

메자카포와 IBM 퀀텀 동료 연구자들은 궤도 대칭의 수를 제한하고 교환 대칭을 부과하는 방법을 개발했다. 양자 컴퓨팅 응용을 위해 개발된 방법을 기반으로 하는이 접근 방식은 전자가 강성 격자(rigid lattices)와 같은 미리 설정된 위치에 한정된 시나리오와 더 유사하다. 강성 격자와의 유사성은 문제를 보다 관리하기 쉽게 만드는 열쇠였다.

칼레오는 이전에 격자 부위에 국한된 전자의 행동을 재구성하기 위해 신경망을 훈련시켰다. 이 방법을 확장함으로써 연구원들은 메자카포의 압축 문제에 대한 솔루션을 추정 할 수있었다. 팀의 신경망은 각 상태의 확률을 계산한다. 이 확률을 사용해 연구자들은 주어진 상태의 에너지를 추정 할 수 있다. 평형 에너지라고 불리는 가장 낮은 에너지 레벨은 분자가 가장 안정적인 곳이다.이 팀의 혁신으로 기본 분자의 전자 구조 계산이 더 간단하고 빨라졌다.

연구원들은 실제 분자를 분리하고 결합을 끊는데 얼마나 많은 에너지가 필요한지 추정하여 분석법의 정확성을 입증했다. 그들은 중수소(H2), 수소화 리튬(LiH), 암모니아(NH3), 물(H2O), C2, N2에 대한 계산을 수행했다. 모든 분자에 대해 팀의 추정치는 기존 방법이 어려움을 겪는 범위에서도 매우 정확한 것으로 입증됐다.

앞으로 연구원들은 더 복잡한 신경망을 사용하여 더 크고 복잡한 분자를 다루는 것을 목표로 한다. 한 가지 목표는 생물학적 과정이 질소 기반 분자를 만들어 파괴하여 생명에 사용할 수 있도록 하는 질소 주기에서 발견되는 것과 같은 화학 물질을 처리하는 것이다.

이번이 ML을 관련 연구방법에 활용한 첫 케이스는 아니다. 연구원들은 2019년 9월 ‘arXiv.org’에 관련 연구를 처음으로 발표했다. 같은 달에 독일에 있는 한 그룹과 런던 구글 딥마인드(Google DeepMind)에있는 한 그룹도 ML을 활용해 분자의 전자 구조를 재구성하는 연구를 발표했다.

* Choo, K., Mezzacapo, A. & Carleo, G. Fermionic neural-network states for ab-initio electronic structure. Nat Commun11, 2368 (2020). https://doi.org/10.1038/s41467-020-15724-9