PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.08003v1physics.chem-ph

실험적으로 확인된 촉매 선택성 가설을 위한 프론티어 모델 기반 반응 네트워크 추론

Reaction-network reasoning with frontier models for experimentally confirmed catalyst-selectivity hypotheses

촉매는 지속 가능한 화학 제조에 필수적이지만, 새로운 구조를 발견하는 과정은 시행착오적 실험과 계산 집약적 스크리닝이 지배하는 병목 구간으로 남아 있다. 전기화학적 이산화탄소 환원과 같은 복잡한 반응에서 생성물 선택성은 동적 계면, 전해질 및 전위 인자와 더불어 반응 경로 간의 운동학적 경쟁에 의해 결정된다. 기존의 디스크립터 기반 머신러닝 및 계산 포텐셜은 종단 간 위상학적 경로 분석보다는 주로 정적 바닥 상태 디스크립터나 벌크 구조적 상관관계에 의존하여 이러한 기계론적 분기점을 해결하는 데 어려움을 겪는다. 본 연구에서 우리는 프론티어 언어 모델이 명시적 반응 네트워크에 대한 추론을 엄격히 제약받을 때, 경로 경쟁을 지배하는 물리적 레버를 식별함으로써 새로운 촉매를 발견할 수 있음을 보인다. 우리는 복잡한 화학 그래프에서 검증 가능한 가설을 추출하기 위해 네트워크 불변성을 강제하는 인간-AI 공동 사고 프레임워크를 개발했다. CO2 전기환원에 적용한 결과, 이 프레임워크는 케텐(ketene) 탈착과 수산화물 포획을 아세테이트 형성 경로로 식별하고, 케텐으로 이어지는 별도의 흡착된 CO와 CH2 결합 경로를 예측했다. 실행 가능한 제어 레버, 구체적으로 국소 알칼리성, 제어된 철 혼입, 제한된 계면 양성자 공여체 접근성을 분리함으로써, 이 프레임워크는 매칭된 Cu 풍부 기준선 대비 아세테이트 선택성을 3배 향상시킨 구리-산화철 촉매의 전향적 합성을 이끌었다. 이 기계론적 추론 아키텍처는 계산 패러다임을 소급적 통계 예측에서 전향적 가설 생성으로 전환하며, 기계론적 소재 발견을 위한 광범위하게 적용 가능한 청사진을 제공한다.

arXiv:2606.17445v1cs.LG

대규모 자기회귀 사전학습을 통한 제어 가능한 촉매 역설계

Toward Controllable Catalyst Inverse Design via Large-Scale Autoregressive Pretraining

불균일 촉매의 역설계는 촉매 표면이 방대한 화학 공간에 걸쳐 결합된 표면-흡착질 상호작용과 함께 상당한 구조적 복잡성을 나타내므로, 기존 스크리닝만으로는 이를 효율적으로 탐색하기 어렵기 때문에 여전히 어려운 과제로 남아 있습니다. 기계학습 기반 고처량 스크리닝(high-throughput screening)이 촉매 발견을 가속화했지만, 탐색 공간이 커짐에 따라 그 효율성은 필연적으로 저하되어, 목표 특성을 가진 촉매를 직접 구성할 수 있는 생성 모델(generative model) 개발의 필요성을 제기합니다. 이에 본 연구에서는 수치형 임베딩 층(embedding layer)을 갖춘 Generative Pretrained Transformer 아키텍처를 기반으로 하는 조건부 촉매 생성 모델을 제시합니다. 이 모델은 단일 자기회귀(autoregressive) 프레임워크 내에서 범주형 및 연속형 특성 모두에 조건을 부여하여 촉매 구조를 생성할 수 있습니다. 해당 모델은 1억 3,300만 개의 촉매 구조로 사전학습(pre-training)되었으며, 이후 조건부 생성을 위해 관련 범주형 특성과 결합 에너지가 포함된 약 46만 개의 최적화된 구조로 파인튜닝(fine-tuning)되었습니다. 이 결과 모델은 98%의 구조적 유효성, 95%의 최적화 유효성, 그리고 높은 범주형 조건 충실도를 달성했으며, 흡착질 유형과 조성에 대해 93%의 결합 일치율을 기록했습니다. 결합 에너지 조건화의 경우 약 20%의 일치율은 기준선(baseline) 학습 분포 대비 4배의 향상을 나타내며, 생성된 분포는 목표 값 쪽으로 체계적으로 이동하여 추가적인 파인튜닝 없이도 반응 목표 촉매 발견을 위한 스크리닝 효율성을 1.5배에서 4배까지 향상시킵니다. 이러한 결과는 대규모 자기회귀 사전학습과 명시적 특성 조건화의 결합이 제어 가능한 촉매 생성 및 촉매 발견 가속화를 위한 실용적인 경로를 제공함을 보여줍니다.