단백질 역학 에뮬레이션 가속화를 위한 생성 공간 내 암시적 편향(Implicit Bias) 학습

단백질 역학 (Protein dynamics)의 생성형 에뮬레이터 (Generative emulators)는 분자 역학 (Molecular dynamics) 비용의 극히 일부만으로도 그럴듯한 궤적 (Trajectories)을 생성하지만, 훈련 분포 (Training distribution)를 그대로 물려받기 때문에 장기 외삽 (Long-horizon extrapolation) 상황에서 희귀한 상태 (Rare states)에 도달하기보다는 이미 알려진 상태를 재방문하는 경향이 있습니다. 고전적인 강화 샘플링 (Enhanced sampling)에서 영감을 얻어, 본 연구에서는 사전 훈련된 에뮬레이터의 생성 공간 (Generative space) 내에 암시적이고 이력 의존적인 (History-dependent) 편향 (Bias)을 도입합니다. 구체적으로, 이력 인식 점수 추정기 (History-aware score estimator)는 고정된 (Frozen) 에뮬레이터에 거리 가중 편향 (Distance-weighted bias)을 추가하여, 역시간 샘플링 (Reverse-time sampling)이 이전에 생성된 구조로부터 멀어지도록 유도하며, 이는 환경 지지 항 (Environment-support term)에 의해 정규화됩니다. 장기적인 관점에서 구조적 타당성 (Structural validity)을 유지하기 위해, 점수 기반 정제 단계 (Score-based refinement step)는 고정된 에뮬레이터를 사용하여 표류된 샘플 (Drifted samples)을 데이터 매니폴드 (Data manifold) 위로 재투영합니다. 실험 결과, 본 방법론은 (i) DynamicPDB-80에서 다양성 (Diversity)을 $35%$ 향상시켰으며, (ii) $12$개의 제로샷 (Zero-shot) Fast-Folding 단백질에 대해, 학습된 편향만으로도 편향되지 않은 에뮬레이터의 커버리지 (Coverage)에 최대 ${\sim}15\times$ 더 빠르게 도달하였고, 정제 (Refinement)와 결합했을 때는 ${\sim}3\times$ 더 많은 저에너지 상태 (Low-energy states)를 커버하면서 커버리지에 최대 ${\sim}37\times$ 더 빠르게 도달함을 입증했습니다. 코드는 곧 공개될 예정입니다.