서울대 공대 전기정보공학부 윤성로 교수팀, 

인공지능 기반으로 분자 특성 1000배 빠르게 예측하는 기술 개발

- 2차전지, 디스플레이소자, 맞춤형 신약 등 신물질 개발에 광범위한 적용 가능

▲ (좌) 서울대 공대 연구진이 개발한 인공지능 기반 초고속 분자 특성 예측 기술의 개념도. 신물질 개발을 위해서는 정확한 분자 구조 및 특성 분석이 요구되나, 이를 위해서는 많은 시간과 비용이 소요됨. (우) 연필로 빠르게 스케치하듯 얻어진 개략적인 분자 구조 정보를 바탕으로 인공지능 기술을 활용하여 정밀하게 분석함으로써 기존 방식 보다 분자 특성을 1000배 이상 빠르게 예측할 수 있는 신기술을 개발함

전기차를 빠르게 충전하고 멀리 갈 수 있게 하는 2차전지, 빛 바램 없이 오랫동안 선명함을 유지하는 디스플레이 소자, 명사수와 같이 정확히 표적에만 작용하여 부작용을 최소화한 맞춤형 신약.. 이들의 공통점은 무엇일까? 우리 삶에 큰 도움을 줄 수 있는 유용한 신물질이라는 점, 그러나 기술적 난이도가 높아 아직 완벽히 구현하지 못하고 있다는 점을 꼽을 수 있을 것이다. 새로운 물질을 만들기 위해서는 물질을 이루는 분자들의 특성 예측이 필수적이다. 그러나 기존 방식은 이에 막대한 시간과 비용이 소요되는 경우가 많아 신물질 개발에 있어 큰 걸림돌이 되어 왔다.

서울대학교 공과대학(학장 홍유석)은 전기정보공학부 및 협동과정 인공지능전공 윤성로 교수팀이 인공지능을 활용하여 분자 특성 예측을 기존 방식보다 1000배 이상 빠르게 수행할 수 있는 기술을 개발하였다고 밝혔다.

이 기술을 활용하면 신물질 개발 시에 필수적으로 요구되는 분자 특성 예측을 효율적으로 수행할 수 있어 다양한 신물질 개발의 혁신 사이클을 크게 가속화할 수 있을 것으로 예상된다.

이번에 개발된 인공지능 기반 초고속 분자 특성 예측 기술의 동작 방식에 대해 연구팀은 그림을 인식하는 인공지능의 비유를 들어 설명하였다. “전문적인 화가가 그린 고품질 그림으로만 훈련된 인공지능이 있다면, 이 인공지능은 고품질로 그려진 그림에 대해서는 잘 인식하지만, 어린이가 연필로 스케치하여 그린 고양이 그림을 처음 보면, 그것이 고양이라는 것을 인지하기 어렵다. 이번에 개발된 인공지능은 사실적인 그림과 연필로 그린 그림 사이에서 공통적으로 나타나는 특징을 인식하도록 학습되어, 여러 종류의 그림을 잘 인식할 수 있도록 훈련되었다”고 밝혔다.

새로운 분자의 특성을 예측하기 위해 시간과 비용이 많이 소요되는 기존 방법 대신에 간단하고 빠르게 알아낸 분자 정보를 활용하더라도 정교한 특성 예측이 가능하게 된 것이다.

▲ 서울대 전기정보공학부 윤성로 교수팀 (좌측부터 서울대 윤성로 교수, 서울대 및 MIT 박양정 박사, 

KIST 조정희 박사, 서울대 김현기 박사과정 연구원)

윤성로 교수는 “최근 인공지능을 활용한 신물질 개발 연구가 확산되고 있다. 구글 딥마인드의 알파폴드나 GNoME(물질탐색용 인공신경망)이 대표적인 사례다. 생성형인공지능을 활용하여 신물질 후보군을 생성하고 실험적으로 검증하는 복합적 파이프라인도 등장하고 있어서, 인류가 꿈꾸던 획기적 신물질의 개발에 있어 인공지능이 점차 큰 역할을 할 것으로 예상한다. 선도적 융합 연구를 수행할 수 있도록 지원을 아끼지 않은 한국연구재단과 정보통신기획평가원(IITP)에 감사한다”고 소감을 밝혔다.

한편, 이번 연구는 한국연구재단 과학기술분야 기초연구사업과 BK21 사업, 정보통신기획평가원 인공지능대학원사업의 지원으로 수행되었으며, 국제 학술지 네이처 컴퓨테이셔널 사이언스 (Nature Computational Science)에 2023년 12월 5일자로 게재되었다.

[문의사항]

서울대학교 공과대학 전기정보공학부 윤성로 교수 / 02-880-1406 / sryoon@snu.ac.kr

[세부사항]

분자의 특성을 예측하는데 있어서 분자 내 원자 배열은 필수적인 정보를 제공한다. 분자는 마치 레고 블록으로 구성된 건물에 비유할 수 있다. 각 레고 블록은 원자에 해당되며, 이 레고 블록들을 어떻게 배열하느냐에 따라 건물의 모양과 성질이 결정된다. 그래서 원자 배열은 마치 건물의 청사진과도 같다. 건물을 이해하려면 각 부분의 위치와 연결이 어떻게 되어있는지를 알아야 하듯이, 분자를 이해하려면 각 원자의 배열이 어떻게 되어있는지를 파악해야 한다. 이렇게 구조를 정확히 파악하면 분자의 특성을 예측하고, 화학적 성질을 이해하는데 도움이 된다.

마찬가지로 인공지능이 분자의 특성을 예측하려면 분자 내 원자 배열에 대한 정확한 ‘청사진’이 필요하다. 하지만 건축가가 정밀한 디자인을 하려면 숙련된 기술이 필요하듯이, 원자 배열을 구하는 작업도 매우 복잡하고 정교한 계산을 필요로 한다. 그리고 이런 계산은 시간과 비용이 많이 드는 작업이다. 따라서 이런 정밀한 원자 배열을 구하는 일이 대규모로 이루어지기 어려워서, 그동안 인공지능을 활용한 대규모 분자 특성 예측에 제약이 있었다. 즉, 분자의 특성을 정확하게 예측하려면 정밀한 원자 배열이 필요하지만, 그것을 얻는 과정이 복잡하고 시간과 비용이 많이 소요되는 어려움이 있었던 것이다.

이를 해결하기 위해 연구팀은 정밀하지만 복잡하고 시간과 비용이 많이 드는 계산의 대안으로, 효율적인 원자 배열 계산 방식을 활용하는 방안을 제시하였다. 인공지능 모델이 기존과 다른 방식으로 얻어진 ‘청사진’에 대해서는 특성 예측이 부정확한 문제를 해결하여, 효율적 계산을 통해 얻은 청사진을 활용하여도 정밀한 청사진을 활용하는 것에 준하는 예측 성능을 얻어낸 것이다.

구체적으로 연구팀은 기존과 다른 방식으로 얻어진 원자 배열에 대해 기존 모델의 특성 예측이 부정확해지는 문제를 “대조학습”을 활용한 “도메인 적응” 기술을 통해 이를 극복하였다. 도메인 적응(Domain Adaptation)은 한 영역에서 학습한 지식을 다른 영역으로 확장하는 방법으로, 이는 모델이 새로운 환경이나 데이터에서도 효과적으로 작동하도록 한다. 연구진은 도메인 적응을 위해 동일한 분자로부터 얻어진 서로 다른 두 원자 배열의 공통적 특징을 학습하기 위해 대조학습(Contrastive Learning)을 적용함으로써, 새로운 도메인에서의 모델 예측 정확도를 향상시켰다.

▲ (위) 분자 특성 예측을 위한 기존 방식 

(아래) 이번에 서울대 연구진이 개발한 인공지능 기반 초고속 분자 특성 예측 기술

[논문정보]

논문명: '효율적인 특성예측을 위한 분자 공간배열의 심층 대조학습 (Deep Contrastive Learning of Molecular Conformation for Efficient Property Prediction)'

학술지: Nature Computational Science

DOI: 10.1038/s43588-023-00560-w

URL: https://www.nature.com/articles/s43588-023-00560-w