적외선(IR) 분광법 데이터를 활용한 자동 분자 구조 규명은 최근 몇 년간 상당한 발전을 이루었지만, 그 적용 범위는 보조 입력으로 미리 정해진 화학식에 의존하는 한계가 있었습니다. 이는 모델 예측을 이성질체(isomer) 식별에 국한시켜 완전한 분자 구조 예측을 어렵게 만들었습니다. 하지만 최근 발표된 연구는 이러한 제약을 넘어, 화학식 정보 없이도 미지의 분자 구조를 밝혀낼 수 있는 AI 모델을 제시하며 분석 화학 분야에 새로운 가능성을 열었습니다.
이 연구는 기존 인코더-디코더 트랜스포머(transformer) 모델에 핵심적인 수정 사항을 적용했습니다. 특히, 방대한 화학 공간을 더 효과적으로 다루기 위해 선형 순서 통계(linear-order statistics)와 쇼케 적분(Choquet integral)을 활용한 새로운 Mixture-of-Experts(MoE) 디코더 모듈을 구현했습니다. 이 비가산적(non-additive) 연산자들은 스펙트럼 표현을 통합하는 데도 사용되었으며, 보조적인 대조 정렬 손실(contrastive alignment loss) 항과 결합되어 기존 IR 전용 모델 대비 Top-K 예측 정확도를 10% 이상 향상시켰습니다. 분자 예측의 하위 구조 조각 분석을 통해 적외선 스펙트럼이 대부분의 관련 화학 정보를 인코딩하고 있음을 확인했습니다.
이번 연구는 측정된 IR 스펙트럼만으로 자동 분자 구조를 규명하는 AI의 효능을 입증함으로써, 분석 화학 분야에서 AI의 유용성을 크게 확장하는 데 기여할 것입니다. 이는 신약 개발, 재료 과학, 환경 분석 등 다양한 분야에서 미지의 화합물을 신속하고 정확하게 식별하는 데 혁신적인 도구가 될 수 있습니다. 궁극적으로, 화학자들이 복잡한 분자 구조를 해독하는 데 드는 시간과 노력을 줄여 연구 및 개발 속도를 가속화할 잠재력을 가지고 있습니다.