혁신적인 분자 생성 AI: 마스크 확산 모델의 한계를 뛰어넘다

서형진, 김태원, 유시현, 안성수 연구팀은 마스크 확산 모델(MDM)의 분자 생성 적용 시 발생하는 '상태 충돌 문제'를 해결하기 위해 MELD 모델을 개발했습니다. MELD는 ZINC250K 데이터셋에서 화학적 타당성을 15%에서 93%로 높이며, 분자 생성 분야의 혁신을 이끌었습니다.

서형진, 김태원, 유시현, 안성수 연구팀이 발표한 논문 "Learning Flexible Forward Trajectories for Masked Molecular Diffusion"은 마스크 확산 모델(MDM) 을 이용한 분자 생성 분야에 획기적인 발전을 가져왔습니다. 기존의 MDM은 이산 데이터 모델링에 탁월한 성능을 보였지만, 분자 생성에는 적용되지 못했습니다. 연구팀은 이러한 한계를 극복하고자 MDM을 분자 생성에 적용해 보았는데, 놀랍게도 기존 방식 그대로 적용했을 때 성능이 심각하게 저하되는 것을 발견했습니다.

상태 충돌 문제: MDM의 숨겨진 약점

연구팀은 이 문제의 원인을 **'상태 충돌 문제'**로 규명했습니다. 서로 다른 분자의 전방 확산 과정이 공통된 상태로 수렴하면서, 역확산 과정에서 단일 모드 예측으로는 학습이 불가능한 재구성 목표의 혼합이 발생하는 현상입니다. 이는 마치 여러 그림이 하나의 흐릿한 이미지로 합쳐져 원본을 복원할 수 없는 것과 같습니다.

MELD: 상태 충돌 문제를 해결하는 혁신적인 해결책

이 문제를 해결하기 위해 연구팀은 마스크 요소별 학습 가능한 확산(MELD) 모델을 제안했습니다. MELD는 각 요소(원자와 결합)에 다른 손상 비율을 할당하여 서로 다른 분자 그래프 간의 충돌을 방지합니다. 이는 매개변수화된 노이즈 스케줄링 네트워크를 통해 구현됩니다. 마치 각 분자의 고유한 지문을 부여하여 혼동을 방지하는 것과 같습니다.

놀라운 결과: 화학적 타당성 극대화 및 최첨단 성능 달성

다양한 분자 벤치마크 실험 결과, MELD는 기존 MDM 대비 생성 품질을 현저히 향상시켰습니다. 특히 ZINC250K 데이터셋에서 일반 MDM의 화학적 타당성이 15%에서 **93%**로 획기적으로 증가했습니다. 또한, 조건부 생성 작업에서 최첨단 성능을 달성했습니다.

미래를 향한 전망

이 연구는 MDM을 분자 생성에 적용하는 새로운 가능성을 제시하고, 다양한 분야에서 신약 개발 및 신소재 설계에 혁신적인 기여를 할 것으로 기대됩니다. MELD의 성공은 AI 기반 과학 연구의 발전에 중요한 이정표가 될 것입니다. 앞으로 더욱 발전된 MELD를 기반으로 더욱 정확하고 효율적인 분자 생성 기술이 개발될 것으로 예상됩니다.