단백질 역학 에뮬레이션 가속화를 위한 생성 공간 내 암시적 바이어스 학습
Learning Implicit Bias in Generative Spaces for Accelerating Protein Dynamics Emulation
단백질 역학의 생성형 에뮬레이터(generative emulator)는 분자 역학(molecular dynamics) 비용의 일부만으로도 그럴듯한 궤적을 생성하지만, 학습(training) 분포를 그대로 물려받아 장기 외삽(long-horizon extrapolation) 시 희귀한 상태에 도달하기보다는 이미 알려진 상태를 다시 방문하는 경향이 있습니다. 고전적인 향상된 샘플링(enhanced sampling) 기법에서 영감을 받아, 본 논문에서는 사전학습된 에뮬레이터의 생성 공간에서 이력에 의존하는 암시적 바이어스(implicit, history-dependent bias)를 도입합니다. 구체적으로, 이력 인식 스코어 추정기(history-aware score estimator)는 동결된 에뮬레이터에 거리 가중 바이어스를 추가하여 역시간 샘플링이 이전에 생성된 구조에서 벗어나도록 유도하며, 이는 환경-지지(environment-support) 항으로 정규화됩니다. 장기적 관점에서 구조적 타당성을 유지하기 위해 스코어 기반 정제(refinement) 단계를 통해 표류된 샘플을 동결된 에뮬레이터를 사용하여 데이터 매니폴드로 다시 투영합니다. 실험 결과, 제안하는 방법은 (i) DynamicPDB-80에서 다양성을 $35\%$ 높이고, (ii) $12$개의 제로샷 Fast-Folding 단백질에서 학습된 바이어스만으로도 편향되지 않은(unbiased) 에뮬레이터의 커버리지에 최대 ${\sim}15\times$ 빠르게 도달하며, 이를 정제 단계와 결합할 경우 커버리지에 최대 ${\sim}37\times$ 빠르게 도달하는 동시에 저에너지 상태를 ${\sim}3\times$ 더 많이 포괄함을 보였습니다. 코드는 곧 공개될 예정입니다.