머신러닝 혁신, 약물 발견을 위한 정밀 양자화학 계산 가능케 하다

과학자들이 머신러닝을 적용해 수십 년 동안 해결되지 않았던 양자화학의 딜레마를 해결함으로써 계산화학 분야에서 주요 혁신을 달성했다. 이로써 상당히 적은 계산 능력으로 분자 에너지와 전자 밀도의 정밀하고 안정적인 계산이 가능해졌다. 새로운 오비탈-프리 접근법은 "약물 유사" 분자를 포함한 매우 큰 분자에 대한 계산을 허용하며, 이 방법을 사용한 최초의 안정적인 수렴을 보여준다.

이 혁신은 STRUCTURES25라는 새로운 과정을 포함하는데, 이는 정밀한 참조 계산으로부터 직접 전자 밀도와 에너지 사이의 관계를 학습하도록 특별히 개발된 신경망에 기반한다. 이 모델은 각 개별 원자의 화학적 환경을 수학적으로 상세하게 표현한다. 독특한 훈련 개념이 핵심이었다: 이 모델은 수렴된 전자 밀도뿐만 아니라 정확한 해 주변의 많은 변형들도 함께 훈련됐다. 이 변형들은 기저 참조 계산에서 표적화되고 통제된 변화를 통해 생성됐다.

따라서 이 계산 과정은 작은 편차가 있는 경우에도 분자 에너지와 전자 밀도에 대한 물리적으로 의미 있는 해를 안정적으로 찾을 수 있다. 계산 중에 "길을 잃지" 않고 안정적으로 유지된다. 다양한 유기 분자들의 대규모 컬렉션에 대한 테스트에서 STRUCTURES25는 기존 참조 계산과 경쟁할 수 있는 정밀도를 달성했다. 초기 실행 시간 비교는 이 계산 과정이 분자 크기가 커짐에 따라 더 잘 확장될 수 있음을 증명하며, 따라서 계산 속도를 증가시킬 수 있다.

분자 내에서 전자가 어떻게 분포하는지는 그 화학적 특성 - 안정성과 반응성부터 생물학적 효과까지 - 을 결정한다. 이 전자 분포와 그로 인한 에너지를 신뢰성 있게 계산하는 것은 양자화학의 핵심 기능 중 하나다. 이러한 계산은 새로운 약물, 더 나은 배터리, 에너지 변환 재료 또는 더 효율적인 촉매와 같이 분자를 구체적으로 이해하고 설계해야 하는 많은 응용 분야의 기반을 형성한다.

양자화학에서 분자는 종종 밀도 범함수 이론을 사용해 기술되는데, 이는 양자 역학 파동 함수를 계산할 필요 없이 화학적 분자 특성을 근본적으로 예측할 수 있게 한다. 대신 전자 밀도가 주요 양으로 사용된다. 이는 결국 계산을 실용적으로 만드는 단순화다. 이 오비탈-프리 접근법은 특히 효율적인 계산을 약속하지만, 지금까지는 전자 밀도의 작은 편차가 불안정하거나 "비물리적"인 결과를 초래했기 때문에 거의 유용하지 않은 것으로 간주됐다.

별도로, 연구자들은 분자 시뮬레이션에 대한 양자 컴퓨팅 접근법에서도 진전을 이루었다. 20-50개의 공간 오비탈을 가진 활성 공간을 가진 분자 시스템에 대한 바닥상태 에너지 추정이 이제 약 100,000개의 물리적 큐비트를 사용해 가능해졌다. 분자 전자 구조 계산의 '골드 스탠더드'로 간주되는 고전적 완전 구성 상호작용 방법은 약 20개의 오비탈에서 20개의 전자를 넘는 시스템을 모델링하는 데 계산적으로 불충분해진다. 이는 '지수적 벽'으로 알려진 한계다.

이는 화학 반응, 재료 특성 및 생물학적 과정을 이해하는 데 중요한 복잡한 분자의 정확한 시뮬레이션을 제한한다. 이 팀은 단순한 분자를 넘어서는 광범위한 적용 가능성을 입증했다. 그들의 프레임워크를 생물학적 전자 전달에서 중요한 역할을 하는 철-황 클러스터 모델, 약물 대사와 해독에서 중요한 사이토크롬 P450 활성 부위, 이산화탄소 활용을 위해 설계된 촉매에 적용함으로써 이를 보여줬다.