PyTorchKR Papers

최신 논문

총 14편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.01833v2cs.LG

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.

arXiv:2506.10944v2cond-mat.mtrl-sci

전고체 배터리의 계면 진화를 지배하는 반응-확산 결합

Coupled reaction and diffusion governing interface evolution in solid-state batteries

고체 전해질 계면(SEI) 형성을 지배하는 원자 수준의 반응을 이해하고 제어하는 것은 차세대 전고체 배터리의 실용화를 위해 필수적입니다. 그러나 매립된 계면을 실험적으로 특성화하기 어렵고, 시뮬레이션의 속도와 정확도에 한계가 있어 여전히 어려움이 따릅니다. 본 연구에서는 능동 학습(active learning)과 심층 등변 신경망(deep equivariant neural network) 원자간 퍼텐셜을 활용하여, 대칭형 배터리 셀인 {\symcell}에 대해 양자역학 수준의 정확도를 지닌 대규모 명시적 반응 시뮬레이션을 수행합니다. 계면에서의 결합 반응과 상호 확산을 자동으로 특성화하기 위해, 국소 원자 환경 공간에서의 클러스터링을 기반으로 한 비지도 분류(unsupervised classification) 기법을 정립하여 적용했습니다. 분석 결과, 순수 열역학에만 기반한 이전 예측에서는 포착되지 않았던 새로운 결정질 무질서 상인 Li$_2$S$_{0.72}$P$_{0.14}$Cl$_{0.14}$가 SEI 내에 형성됨을 밝혀냈으며, 이는 전체 반응 및 수송 역학을 명시적으로 모델링하는 것의 중요성을 강조합니다. 본 시뮬레이션 결과는 SEI 형성에 관한 실험적 관찰과 일치하며 이를 규명할 뿐만 아니라, 계면을 따라 발생하는 현저한 Li 이동으로 특징지어지며 덴드라이트 생성에 결정적인 Li 크리프(creep) 메커니즘을 규명합니다. 본 연구의 접근법은 실험에 맞춘 조정 가능한 매개변수 없이 제일원리(first principles)로부터 디지털 트윈을 구축하는 것입니다. 따라서 고체 합성 및 전기화학에서의 복잡한 불균일 과정을 지배하는 원자 동역학에 대한 통찰을 확보할 수 있는 역량을 제공합니다.

arXiv:2609.28013v1cond-mat.mtrl-sci

SoLiD26: 기계학습 원자간 포텐셜을 위한 제1원리 고체-액체 계면 데이터셋

SoLiD26: A First Principles Solid-Liquid Interface Dataset for Machine-learned Interatomic Potentials

전기화학, 촉매, 부식 등 고급 재료 응용에서 고체-액체 계면을 다루는 기계학습 원자간 포텐셜(MLIP)은 액체 환경, 고체, 그리고 계면 자체를 모두 샘플링하는 학습 데이터가 필요하다. 본 논문은 MLIP 학습 및 평가를 위해 최대 576원자·15종 화학 원소를 갖는 제1원리 원자 구조 1,540만 개를 담은 엄선 고체-액체 계면 데이터셋 SoLiD26을 제시한다. 구조는 고체-액체 계면 연구에서 수행된 밀도 범함수 이론(DFT) 계산을 모아 구성했으며, 대부분의 구성은 ab initio 분자 동역학(AIMD) 시뮬레이션에서 유래한다. 각 레코드에는 원자 종, 좌표, 시뮬레이션 셀, 주기적 경계 조건, 전위 에너지, 원자력이 포함된다. SoLiD26에는 수용액 동전족 금속 계면, 전극-전해질 시스템, 선택된 벌크 기준 구조가 포함되며, VASP에서 PBE functional과 D3 dispersion correction으로 계산했다. 데이터셋 구축에 쓴 데이터 수집·준비 파이프라인을 설명한다. SoLiD26을 MLIP 학습·평가에 적용한 사례는 단순 학습·검증·테스트 분할 위에서 MACE 모델군으로 시연한다. 이 데이터셋은 구조·화학적으로 이질적인 고체-액체 계면용 MLIP 개발과 벤치마킹을 가능하게 한다.

arXiv:2606.12916v2cs.AI

MDForge: 희소한 시뮬레이터 피드백 하에서의 에이전틱 분자 동역학 파이프라인 설계

MDForge: Agentic Molecular Dynamics Pipeline Design under Sparse Simulator Feedback

희소 시뮬레이터 피드백 하에서 분자 동역학(MD) 파이프라인 설계를 자동화하기 위해, 물리학 전문가 간의 다중 에이전트 토론을 통해 보상을 밀집화하는 LLM 에이전트인 MDForge를 제안합니다. 제안된 방법은 SAMPL 벤치마크에서 인간 전문가와 경쟁하는 성능을 보이며, 실제 실험을 통해 새로운 고친화도 결합 분자(binder)를 발견했습니다.

arXiv:2607.21779v1physics.chem-ph

공변 직접 분자 힘 학습을 통한 그래프 이론적 신경망 분할: 플럭셔널 계에서 결합 클러스터 정확도 AIMD 실현

Graph-Theoretic Neural Network Fragmentation with Covariant Direct Molecular Force Learning: Enabling Coupled-Cluster Accuracy AIMD for Fluxional Systems

복잡하고 플럭셔널(fluxional)한 화학 계에 대한 정확한 ab initio 분자 동역학(AIMD) 시뮬레이션은 상관 전자 구조 방법의 높은 계산 스케일링으로 인해 심각하게 제한된다. 이 병목을 극복하기 위해, 우리는 기계학습과 통합된 견고한 그래프 이론적 분자 분할 프레임워크를 제시하며, 이를 통해 결합 클러스터(coupled cluster) 정확도로 Hartree-Fock 이후 핵력을 직접 모델링한다. 학습된 에너지 표면에 대한 자동 미분이 link-atom Jacobian에서 어려움을 겪을 수 있는 한계를 우회하여, 본 접근법은 핵력 벡터를 직접 예측한다. 이 벡터들을 단편(fragment) 고정 관성 주축에 투영함으로써, 회전·병진·치환 불변성을 자연스럽게 보존하는 공변(covariant) 기술자(descriptor)를 확립한다. 이 방법론은 학습 가능 매개변수를 한 자릿수 이상 줄이는 벡터값 학습 프로토콜을 통해 탁월한 매개변수 효율을 달성하며, 비지도 미니배치 k-means 공간 테셀레이션 알고리즘이 참조 구성(configuration)의 10%에서 20%만을 사용하여 매우 대표적인 학습 데이터베이스를 구성한다. 우리는 고도로 플럭셔널한 용매화 Zundel 양이온 H_{13}O_6^+에 대해 이 프레임워크를 엄격하게 검증했다. 완전히 기계학습으로 예측된 AIMD 궤적은 방사형 분포 함수(radial distribution function)와 속도 자기상관(velocity autocorrelation) 파워 스펙트럼을 포함한 복잡한 동역학적 특징과 핵심 구조적 특성을 성공적으로 재현했다. 궁극적으로, 이 확장 가능하고 체계적으로 개선 가능한 프레임워크는 고수준 상관 파동함수 이론과 장시간 스케일 반응성 샘플링 사이의 격차를 메우며, 현대 화학 동역학 시뮬레이션에서 LLM에서 영감을 받은 고급 전이학습(transfer learning)의 기반을 마련한다.

arXiv:2607.09456v1cs.LG

능동적 거부(Active Rejection)를 통한 범용 머신러닝 원자간 포텐셜의 신뢰할 수 있는 일반화

Active rejection enables reliable generalization of universal machine-learning interatomic potentials

범용 머신러닝 원자간 포텐셜(uMLIP)은 양자역학적 정확도와 대규모 분자 동역학을 연결하지만, r²SCAN과 같은 고정밀 계산의 비용으로 인해 학습 데이터셋은 개방된 소재 공간에 비해 여전히 작은 규모에 머문다. 또한 높은 평균 벤치마크 성능이 모든 구조에 대한 신뢰할 수 있는 에너지-힘 예측을 보장하지는 않는다. 본 논문에서는 고충실도 데이터 구축을 불확실성 하의 구조별 의사결정 문제로 재정식화하는 적응형 멀티-티처 라우팅(ATR, Adaptive Multi-Teacher Routing)을 제안한다. 소규모의 실제 r²SCAN 레이블을 활용하여, ATR은 사전학습된 복수의 uMLIP 티처를 보정하고, 구조적 서술자(structural descriptor)·티처 정체성·티처 간 불일치도를 결합하여 각 구조-티처 쌍의 신뢰도를 추정한다. 이를 통해 신뢰도가 높은 예측을 의사 레이블(pseudo-label) 생성에 선택하고, 어떤 티처도 충분히 신뢰할 수 없는 구조는 거부한다. 후보 구조의 단 0.2%에 해당하는 실제 r²SCAN 레이블만으로, ATR은 사전학습용으로 추적 가능한 r²SCAN 수준의 의사 레이블 289만 개를 증류해낸다. 홀드아웃 r²SCAN 구조 및 MP-r²SCAN 벤치마크에서, ATR 생성 데이터셋으로 학습된 경량 CHGNet은 기준선 및 라우팅 미적용 대조군을 일관되게 능가한다. 유한 온도 분자 동역학 시뮬레이션에서도 ATR은 복수의 소재 시스템에 걸쳐 동역학적 견고성을 향상시켜, 기준선 시뮬레이션이 파국적인 구조 붕괴를 겪는 상황에서도 안정적인 궤적을 유지하는 것으로 나타났다. 이러한 결과는 능동적 거부가 사전학습된 복수의 uMLIP을 고충실도 uMLIP을 위한 확장 가능하고 신뢰할 수 있는 데이터 구축 시스템으로 전환하는 효과적인 메커니즘임을 확립한다.

arXiv:2604.02537v2cs.CL

PolyJarvis: 비정질 단일중합체의 전원자 분자동역학 시뮬레이션을 자동화하는 LLM 오케스트레이션 에이전트

PolyJarvis: An LLM-Orchestrated Agent for Automated All-Atom Molecular Dynamics of Amorphous Homopolymers

PolyJarvis는 대규모 언어 모델(LLM)을 EMC 및 LAMMPS와 Model Context Protocol(MCP) 서버로 연결해, 자연어 입력만으로 비정질 단일중합체의 전원자 분자동역학(MD) 시뮬레이션을 end-to-end로 자동화하는 에이전트다. 9종의 고분자를 대상으로 한 검증에서 25개 물성 비교 중 18개가 실험 기준값의 수용 범위(유리전이온도 50K, 밀도 5%, 체적 탄성률 30% 이내)를 충족해 LLM 기반 에이전트의 고분자 MD 워크플로 자동화 가능성을 실증했다.

arXiv:2607.05559v1cs.LG

EquiFiLM: 특징별 선형 변조를 통한 전하 조건부 등변 포스 필드

EquiFiLM: Charge-Conditioned Equivariant Force Fields via Feature-wise Linear Modulation

기존 등변(equivariant) 기반 MLFF(머신러닝 포스 필드)가 전하 주입·광여기 등 외부 전자 상태 변화를 처리하지 못하는 문제를 해결하기 위해, 각 상호작용 레이어에 Feature-wise Linear Modulation(FiLM) 블록을 삽입해 연속적인 외부 조건화를 추가하는 경량 어댑터 EquiFiLM을 제안한다. MACE-MatPES 백본에 적용한 E-MACE는 대전된 액체 물 실험에서 수천 개의 DFT 학습 프레임만으로 힘 RMSE를 3.1배, 에너지 RMSE를 61배 감소시키며 추론 비용 증가 없이 미학습 전하까지 안정적으로 일반화함을 보였다.

arXiv:2607.02499v1cs.LG

Adam을 넘어서: 머신러닝 원자간 포텐셜의 빠르고 레이블 효율적인 학습을 위한 SOAP과 Muon

Beyond Adam: SOAP and Muon for Faster, Label-Efficient Training of Machine Learning Interatomic Potentials

MLIP(머신러닝 원자간 포텐셜) 학습에서 기존 Adam 대신 행렬 구조 옵티마이저인 Muon, SOAP, SOAP-Muon을 NequIP 및 Allegro 모델에 체계적으로 비교한 결과, SOAP과 SOAP-Muon이 수렴 속도와 최종 정확도 모두에서 AdamW를 일관되게 능가하였다. 특히 부분적인 힘(force) 레이블만 사용하는 환경에서 성능 향상이 두드러져, SOAP-Muon은 전체 힘 레이블의 50%만으로 AdamW의 100% 성능을 달성하는 등 옵티마이저 선택이 MLIP 설계에서 중요한 요소임을 보여준다.

arXiv:2606.30778v1cs.LG

ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning

Mapping a chemical reaction network, the graph of minima and transition states (TS) and the elementary reactions connecting them, is the natural language of chemistry, from catalysis to combustion to the origin of life. Constructing such a reaction network for a given chemistry has been impractical: it requires finding and characterizing tens of thousands of TS, a task for which traditional methods such as density functional theory (DFT) are typically prohibitively slow and require reactant and product as input. We introduce ReactionAtlas, which builds a reaction network $\textit{ab origine}$ from a handful of seed molecules and without hand-crafted rules. Specifically, our machine-learned generative model proposes reactions from kinetically sampled candidate compounds and a DFT-trained machine learned force field (MLFF) filters them to valid TS, the resulting products of which enter the search as new seeds. Starting from eight pre-biotic seeds (CH$_2$O, H$_2$O, OH$^-$, H$_3$O$^+$, CO$_2$, H$_2$CO$_3$, HCO$_3^-$, H), ReactionAtlas discovers $\sim$47,000 reactions among $\sim$12,000 compounds. The MLFF TSs match the PBE0 references within 0.5 Å RMSD in 85% of the cases and can be easily brought to the PBE0 level. Thus, ReactionAtlas maps small carbohydrate chemistry up to C$_4$H$_8$O$_4$ at unprecedented scale and accuracy, including charge and stereo information. It enables novel insights into many well-studied reaction paths, including the formose cycle, which we highlight for its centrality to the chemical origins of life. Notably, our framework also allows establishing alternative reaction pathways for formose chemistry.

arXiv:2601.22123v4cs.LG

Learning Hamiltonian Flow Maps: Mean Flow Consistency for Large-Timestep Molecular Dynamics

Simulating the long-time evolution of Hamiltonian systems is limited by the small timesteps required for stable numerical integration. To overcome this constraint, we introduce a framework to learn Hamiltonian Flow Maps by predicting the mean phase-space evolution over a chosen time span, enabling stable large-timestep updates far beyond the stability limits of classical integrators. To this end, we impose a Mean Flow consistency condition for time-averaged Hamiltonian dynamics. Unlike prior approaches, this allows training on independent phase-space samples without access to future states, avoiding expensive trajectory generation. Validated across diverse Hamiltonian systems, our method in particular improves upon molecular dynamics simulations using machine-learned force fields (MLFF). Our models maintain comparable training and inference cost, but support significantly larger integration timesteps while trained directly on widely-available trajectory-free MLFF datasets.

arXiv:2602.16634v2stat.ML

Enhanced Diffusion Sampling: Efficient Rare Event Sampling and Free Energy Calculation with Diffusion Models

BioEmu와 같은 확산 모델 기반 평형 샘플러가 느린 혼합 문제는 해결했지만 희귀 상태(rare state) 추정 문제는 여전히 남아 있다는 한계를 극복하기 위해, 편향 앙상블(biased ensemble) 생성 후 정확한 재가중(reweighting)으로 평형 통계를 복원하는 enhanced diffusion sampling 프레임워크를 제안하며 UmbrellaDiff, MetaDiff, ΔG-Diff의 세 알고리즘으로 구체화했다. 단백질 폴딩 자유 에너지를 포함한 다양한 시스템에서 GPU 수분~수시간 내에 정확하고 확장 가능한 평형 특성 추정을 달성해 기존 방법 대비 극적인 효율 개선을 입증했다.

arXiv:2606.17668v1cs.LG

ASTEROID: 분자 동역학의 다중 스텝 시계열 예측을 위한 시공간 정보 트랜스포머

ASTEROID: A Spatiotemporal Information Transformer for Forecasting Multi-Step Time Series of Molecular Dynamics

분자 동역학(MD) 시뮬레이션은 계산 비용이 많이 들며, 특히 장기 분석이 필요한 대규모 시스템의 경우 그렇습니다. MD 시뮬레이션 결과의 정확한 예측은 매력적인 과학적 도전 과제일 뿐만 아니라 상당한 실용적 가치도 지닙니다. 본 연구에서는 기존의 반복적 적분(iterative integration)을 피하고 다중 스텝 원자 좌표를 직접 예측할 수 있는 데이터 기반 프레임워크인 ASTEROID (Advanced Spatiotemporal TransformER fOr Inferring Dynamics)를 개발했습니다. 이를 위해 ASTEROID는 MD 궤적을 고차원 시공간 시퀀스로 재구성하고 시공간 정보(STI) 변환 방정식을 트랜스포머(Transformer) 아키텍처에 통합합니다. ASTEROID의 핵심 혁신은 다중 스케일 시공간 의존성을 모델링하는 능력에 있습니다. 특히 공간적 의존성의 경우, 로컬-글로벌 셀프 어텐션(self-attention) 메커니즘이 단거리 및 장거리 상호작용을 모두 포착합니다. 시간적 의존성의 경우, 인코더-디코더 구조가 글로벌 컨텍스트와 자기회귀 예측(autoregressive forecasting)을 통합합니다. ASTEROID는 여러 양자 역학 기반 분자 데이터셋에서 평가되었습니다. 결과에 따르면 ASTEROID는 다양한 벤치마크에서 기존 방법보다 다중 스텝 예측에서 더 높은 정확도를 달성했을 뿐만 아니라 기존 MD 시뮬레이션의 계산 비용을 획기적으로 줄였습니다. 또한, 이 모델은 확장된 시간 규모에 걸쳐 반복적인 다중 스텝 예측을 지원합니다. 이 연구는 MD 시뮬레이션 가속을 위한 강력하고 일반화 가능한 데이터 기반 패러다임을 확립합니다.

arXiv:2510.16023v2cs.LG

선형 폴리머 모델링 및 설계를 위한 형태 중심 생성 파운데이션 모델

A Conformation-Centric Generative Foundation Model for Linear Polymer Modeling and Design

선형 폴리머(linear polymer)는 단량체(monomer)가 공유결합으로 연속적인 사슬을 형성한 고분자(macromolecule)로, 수많은 기술의 근간을 이루며 현대 생활에 없어서는 안 될 존재이다. 심층 학습(deep learning)이 폴리머 과학을 발전시키고 있음에도 불구하고, 기존 방법들은 일반적으로 선형 폴리머 전체를 단량체 수준의 기술자(descriptor)만으로 표현하여, 폴리머 형태(conformation)에 내재된 전역적 구조 정보를 간과함으로써 실질적인 성능을 제한하고 있다. 더욱이, 이 중요한 분야에는 다양한 다운스트림 태스크를 효과적으로 지원할 수 있는 전용 파운데이션 모델(foundation model)이 여전히 부재하여 연구 발전을 심각하게 저해하고 있다. 이러한 문제를 해결하기 위해, 우리는 형태 중심 생성 사전학습(conformation-centric generative pretraining)을 통해 선형 폴리머의 모델링 및 설계에 특화된 파운데이션 모델인 PolyConFM을 제안한다. 각 선형 폴리머가 본질적으로 연속적인 사슬이며, 그 형태가 자연스럽게 일련의 국소 형태(local conformation), 즉 반복 단위들의 형태로 분해될 수 있다는 점에 착안하여, 우리는 조건부 생성 패러다임 하에 PolyConFM을 사전학습한다. 구체적으로, 마스킹 자기회귀(MAR, masked autoregressive) 모델링을 통해 이러한 국소 형태를 재구성하고, 나아가 방향 변환(orientation transformation)을 생성하여 해당 폴리머 형태를 복원한다. 아울러, 데이터 희소성(sparsity)을 완화하기 위해 분자 동역학(molecular dynamics) 시뮬레이션을 통해 선형 폴리머 형태 데이터셋을 구축함으로써 형태 중심 사전학습을 가능하게 한다. 실험 결과, PolyConFM은 다양한 다운스트림 태스크에서 대표적인 태스크별 특화 방법들을 일관되게 능가함으로써, 선형 폴리머를 겨냥한 강력한 도구를 폴리머 과학에 제공함을 입증한다.