다중 목표 화학 반응 최적화를 위한 언어 모델 표현 학습
Dynamic language model representations for multi-objective reaction optimisation
arXiv화학 반응의 다중 목표 최적화는 핵심 과제이며, 본 연구는 기존 고정 표현 방식 대신 텍스트 설명을 활용해 조건을 동적으로 학습하는 방법을 제시했습니다.
- 이 방법은 반응 구성 요소를 미리 정의할 필요가 없어, 다양한 화학 시스템에 AI를 적용하는 새로운 가능성을 열어준다는 점에서 중요합니다.
- 니켈/팔라듐 촉매 반응 등에서 기존 방식보다 적은 실험으로 최적화에 도달했으며, 높은 수율(94%)과 거울상체 초과량(99.6% ee)을 달성했습니다.
- 본 연구는 고속 실험 환경에서 복잡한 화학 반응 조건을 효율적으로 탐색하며, 신약 개발 등 다양한 분야에 활용될 잠재력을 보여줍니다.
화학 합성에서 수율, 선택성, 안전성과 같은 다중 목표를 가진 반응을 최적화하는 것은 핵심 과제입니다. 기존의 고정된 특징(one-hot encoding 등)이나 분자 기술자는 화학적으로 불충분하거나 다양한 구성 요소에 걸쳐 확장하기 어렵다는 한계가 있었습니다. 본 연구는 이러한 문제를 해결하기 위해, 반응 조건을 텍스트로 설명하고 이를 통해 반응 표현을 동적으로 학습하는 방식을 제시했습니다.
이 접근 방식은 텍스트 기반의 반응 조건 설명을 된 언어 모델(language model)로 인코딩합니다. 이 과정은 가우시안 프로세스 서로게이트와 공동으로 훈련되며, 다중 목표 베이지안 최적화 루프 내에서 작업 적응형 표현을 생성합니다. 이를 통해 기존의 기술자 라이브러리나 원-핫 인코딩 방식보다 더 적은 실험만으로 최적화 수렴에 도달할 수 있음을 입증했습니다.
실제 적용 사례로 니켈 및 팔라듐 촉매를 이용한 교차 커플링 반응과 같은 순차적/병렬 실험 환경에서 효과가 확인되었습니다. 또한, 팔라듐 촉매 시아나화 반응이나 세 가지 목표를 가진 비대칭 수소 첨가 반응에 적용했을 때, 192개 반응을 포함하는 두 차례의 고속 실험(각 설계 공간의 3% 미만)을 통해 각각 94%와 84%의 분리 수율, 그리고 99.6%의 거울상체 초과량(ee)을 달성했습니다.
용어 풀이
- 미세 조정
- 이미 학습된 모델을 특정 목적의 데이터로 조금 더 학습시키는 일.