[논문 리뷰] AI-driven Inverse Design System for Organic Molecules

Seiji Takeda, Toshiyuki Hama외 8명|arXiv (Cornell University)|2020. 01. 20.

Machine Learning in Materials Science참고 문헌 19인용 수 7

한 줄 요약

이 논문은 데이터 처리, 성능 예측 모델링, 구조 생성을 통합하여 목표 물리적 성질을 가진 새로운 화학 구조를 발견하는 엔드 투 엔드 AI 기반의 역설계 시스템을 제시한다. 분자의 데이터에 회귀 모델을 훈련하고 역문제를 해결하여 사용자가 지정한 성질 목표를 충족하는 화학적으로 타당한 후보를 생성함으로써, 산업적 응용에서 자료 발견을 위한 통합된 워크플로우를 입증한다.

ABSTRACT

Designing novel materials that possess desired properties is a central need across many manufacturing industries. Driven by that industrial need, a variety of algorithms and tools have been developed that combine AI (machine learning and analytics) with domain knowledge in physics, chemistry, and materials science. AI-driven materials design can be divided to mainly two stages; the first one is the modeling stage, where the goal is to build an accurate regression or classification model to predict material properties (e.g. glass transition temperature) or attributes (e.g. toxic/non-toxic). The next stage is design, where the goal is to assemble or tune material structures so that they can achieve user-demanded target property values based on a prediction model that is trained in the modeling stage. For maximum benefit, these two stages should be architected to form a coherent workflow. Today there are several emerging services and tools for AI-driven material design, however, most of them provide only partial technical components (e.g. data analyzer, regression model, structure generator, etc.), that are useful for specific purposes, but for comprehensive material design, those components need to be orchestrated appropriately. Our material design system provides an end-to-end solution to this problem, with a workflow that consists of data input, feature encoding, prediction modeling, solution search, and structure generation. The system builds a regression model to predict properties, solves an inverse problem on the trained model, and generates novel chemical structure candidates that satisfy the target properties. In this paper we will introduce the methodology of our system, and demonstrate a simple example of inverse design generating new chemical structures that satisfy targeted physical property values.

연구 동기 및 목표

• 특정 물리적 성질을 갖는 새로운 유기 재료를 설계하는 데 있어 산업적 수요를 해결하기 위해.
• 기존 AI 도구의 분열 문제를 해결하기 위해 데이터 입력, 특징 인코딩, 예측 모델링, 해법 탐색, 구조 생성을 하나의 워크플로우로 통합하기 위해.
• 훈련된 회귀 모델을 사용하여 원하는 목표 성질 값을 달성하는 분자의 구조를 해결함으로써 역설계를 가능하게 하기 위해.
• 자동화된 AI 기반 설계 파이프라인을 통해 화학적으로 타당하고 새로운 유기 분자를 생성하는 것이 가능한지를 입증하기 위해.

제안 방법

• 시스템은 분자의 구조와 관련된 물리적 성질의 데이터 입력으로 시작된다.
• 분자의 구조를 기계학습에 적합한 수치적 표현으로 변환하기 위해 특징 인코딩을 적용한다.
• 분자 특징에서 목표 물리적 성질(예: 유리 전이 온도)을 예측하기 위해 회귀 모델을 훈련한다.
• 훈련된 모델을 사용하여 역문제를 설정하고 해결함으로써 원하는 성질 값을 도출하는 분자의 구조를 식별한다.
• 구조 생성 모듈이 목표 성질 제약 조건을 충족하는 새로운 화학적으로 타당한 유기 분자를 생성한다.
• 워크플로우가 통합된 파이프라인으로 구성되어 있어 목표 성질에서 후보 분자에 이르기까지 엔드 투 엔드의 역설계가 가능하다.

실험 결과

연구 질문

• RQ1 통합된 AI 기반 시스템이 사용자가 정의한 목표 물리적 성질을 갖는 새로운 유기 분자를 효과적으로 생성할 수 있는가?
• RQ2 기계학습 모델이 분자 구조 표현에서 핵심 물리적 성질을 얼마나 정확하게 예측할 수 있는가?
• RQ3 역모델링이 특정 성질 목표를 충족하는 타당한 분자 구조를 얼마나 잘 식별할 수 있는가?
• RQ4 엔드 투 엔드 자동화를 통해 화학적으로 타당하고 다양한 분자 후보를 생성하는 데 있어 시스템의 견고성은 어느 정도인가?

주요 결과

• 시스템은 역설계를 통해 사용자가 정의한 목표 물리적 성질 값을 충족하는 새로운 유기 분자 구조를 성공적으로 생성하였다.
• 데이터 처리, 회귀 모델링, 구조 생성을 하나의 워크플로우로 통합함으로써 효율적이고 자동화된 자료 발견이 가능해졌다.
• AI를 사용하여 분자 설계의 역문제를 해결하는 것이 가능함을 입증하였으며, 정방향 예측을 넘어서 목표 지향적 구조 생성으로의 전환을 보여주었다.
• 시스템의 아키텍처는 다양한 자료와 성질 목표에 대해 확장성과 적응성을 지원하여 광범위한 산업적 적용 가능성을 제공한다.