최근 공개된 '리워드 트랜스포트(Reward Transport)' 연구는 인공지능(AI) 기반 분자 생성 모델의 제어 방식을 근본적으로 개선하는 새로운 접근법을 제시했습니다. 이 연구는 플로우 매칭(Flow Matching)이라는 생성 모델 기법에서 노이즈 벡터와 데이터 포인트를 짝짓는 '결합(coupling)' 과정을 단순한 계산적 선택이 아닌, 원하는 분자 특성을 직접 제어하는 인터페이스로 활용할 수 있음을 보여주었습니다.
연구팀은 훈련 시 최적 수송(optimal transport) 결합을 사용해 노이즈 공간의 스칼라 좌표를 분자 보상(molecular rewards)과 정렬했습니다. 이를 통해 추론(inference) 단계에서 이 스칼라 좌표를 조절하는 것만으로도 오라클(oracle), 보상 모델, 기울기 유도(gradient guidance) 또는 추가 계산 없이 생성되는 분자의 분포를 원하는 방향으로 조종할 수 있게 됩니다. 예를 들어, ZINC-250K 및 GuacaMol 데이터셋에서 이 스칼라 값을 조정하자 logP(지방족 친화성)와 QED(약물 유사성) 같은 분자 특성이 일관되게 제어되는 것을 확인했습니다. 특히, logP를 높이면 분자가 커지고 QED를 높이면 분자가 작아지는 등, 목표에 따라 상반된 구조적 반응을 보여 단순한 크기 편향이 아님을 입증했습니다.
이 기술은 신약 개발이나 신소재 설계와 같이 특정 특성을 가진 분자를 효율적으로 찾아야 하는 분야에서 매우 중요한 의미를 가집니다. 기존에는 원하는 특성을 가진 분자를 생성하기 위해 복잡한 조건부 모델링이나 추가적인 보상 모델이 필요했지만, 리워드 트랜스포트는 훨씬 직관적이고 효율적인 제어 방식을 제공합니다. 이는 AI가 단순히 분자를 '생성'하는 것을 넘어, 연구자가 '의도한 대로' 분자를 설계할 수 있도록 돕는 강력한 도구가 될 것입니다. 향후 이 기술이 다양한 생성 모델과 결합되어 더욱 정교한 물질 설계의 가능성을 열어줄 것으로 기대됩니다.