소규모 언어모델(SLM)이 분자 특성 예측 분야에서 주목받고 있지만, 분자 구조를 텍스트로 표현하는 SMILES 문자열의 한계로 인해 구조적 정보를 제대로 파악하지 못하는 ‘구조적 맹점’ 문제를 겪어왔습니다. 최근 연구에서는 이러한 SLM의 약점을 보완하기 위해 그래프 기반 도구를 활용한 새로운 접근 방식인 ‘컨텍스트 증강 프롬프팅(Context-Augmented Prompting)’ 프레임워크를 제안했습니다. 이 프레임워크는 추론(inference) 시점에 에이전트처럼 도구를 사용해 SLM의 분자 특성 예측 정확도를 크게 향상시켰습니다.
이 프레임워크는 크게 두 가지 그래프 기반 도구를 활용합니다. 첫째, 훈련된 그래프 신경망(GNN) 전문가 모델이 예측 힌트와 함께 신뢰도를 제공합니다. 둘째, 또 다른 GNN이 특정 분자 인스턴스에 대한 설명 가능한 서브그래프(예: 서브그래프 SMILES 문자열 및 설명 문단)를 추출하여 SLM에 추가적인 맥락 정보를 제공합니다. 연구진은 MUTAG 및 Tox21 데이터셋에서 세 가지 일반적인 SLM을 대상으로, SMILES 문자열만 사용한 경우부터 모든 도구를 활용한 경우까지 다섯 가지 프롬프트 구성을 비교 평가했습니다. 그 결과, 그래프에서 파생된 맥락 정보로 프롬프트를 풍부하게 만들었을 때 상당한 정확도 향상을 보였으며, 특히 Tox21 데이터셋에서는 최대 74%의 상대적 개선을 달성했습니다.
이 연구는 텍스트 기반 추론에 의존하는 SLM이 화학 분야, 특히 분자 특성 예측과 같은 복잡한 작업에서 얼마나 강력해질 수 있는지를 보여줍니다. 그래프 기반 도구를 활용하여 SLM의 구조적 이해도를 높임으로써, 신약 개발이나 재료 과학 분야에서 초기 단계의 분자 스크리닝 및 설계 효율성을 크게 개선할 잠재력을 가집니다. 하지만 이번 연구는 SLM이 여전히 전문 GNN 모델에 비해 성능 격차가 있음을 인정하며, 텍스트 기반 추론의 가치와 한계를 동시에 시사합니다. 향후 연구에서는 이러한 격차를 줄이기 위한 하이브리드 모델 개발이 중요해질 것입니다.