화학 분야 AI에서의 에이전트(Agentic AI)
요약
화학 AI 분야에서 에이전트(Agentic AI)의 활용 가능성을 탐구하며, 분자를 모델에 입력하고 처리하는 방식 자체가 AI가 화학적 지식을 '이해'하는 방식을 결정함을 강조합니다. LLM은 분자 표현을 토큰 시퀀스로 해석하기 때문에, SMILES나 SELFIES 같은 다양한 분자 표기법 중 어떤 것이 가장 효과적인지 탐구하는 것이 중요합니다. 또한, 모델들이 때때로 화학적으로 불가능한 결과를 생성하는 실패 사례를 통해, 단순히 분자 토큰을 예측하는 것과 실제로 화학적 이해를 하는 것 사이에는 큰 간극이 있음을 지적합니다.
핵심 포인트
- 화학 AI에서 분자의 표현 방식(SMILES, SELFIES 등)은 모델의 '이해' 방식을 근본적으로 결정한다.
- LLM은 화학을 직접 이해하기보다 이를 토큰 시퀀스로 처리하므로, 최적의 분자 표현법을 찾는 것이 핵심 과제이다.
- 화학 반응 예측이나 역합성(Retrosynthesis) 같은 작업에서 모델들이 비현실적이거나 잘못된 결과를 생성하는 실패 사례가 발견되었다.
- 분자 토큰의 성공적인 예측이 곧 화학적 이해를 의미하지는 않으며, 이 둘 사이에는 중요한 차이가 존재한다.
저는 O'Reilly에서 출판한 Ivan Reznikov의 'LangChain for Life Sciences and Healthcare'를 읽고 있었는데, 그중 흥미로웠던 점을 공유하고자 합니다. 화학 AI (Chemistry AI)에서는 분자를 표현하는 방식 자체가 모델이 화학을 '이해'하는 방식을 결정할 수 있습니다. 화학에 맞춰 튜닝된 대규모 언어 모델(LLMs)은 화학자들이 분자를 해석하는 방식대로 해석하지 못합니다. 대신, 이들은 이를 토큰의 시퀀스(sequences of tokens)로 해석합니다. 이러한 토큰에는 다양한 분자 표현이 포함될 수 있습니다: • SMILES • SELFIES • InChI 식별자 이것은 생성형 AI에게 흥미로운 과제를 제시합니다: 👉 LLMs에 가장 좋은 것을 제공하는 분자 표현은 무엇일까요
GT4SD는 다음 기능을 수행할 수 있는 화학 중심의 생성 모델을 탐구합니다: 🧪 화학 반응 예측 🧪 역합성(Retrosynthesis) 예측 🧪 설명 → SMILES 생성 🧪 SMILES → 캡션 생성 🧪 문단 → 실험 행동 이 책은 다음과 같은 여러 화학 조정 모델들을 평가했습니다: • 𝐆𝐓𝟒𝐒𝐃 𝐦𝐮𝐥𝐭𝐢𝐭𝐚𝐬𝐤 𝐓𝟓 𝐦𝐨𝐝𝐞𝐥𝐬 • 𝐌𝐨𝐥𝐓𝟓 • 𝐂𝐇𝐄𝐌𝐋𝐋𝐌-𝟐𝐛 제가 가장 흥미로웠던 점은 성공이 아니라 실패였습니다. 피셔 에스테르화(Fischer esterification)와 같은 반응 예측 작업 동안, 여러 모델들이 화학적으로 그럴듯하지 않은 분자들을 생성했으며, 때로는 반응물에 존재하지 않았던 원소들까지 도입했습니다. 그리고 이것은 더 깊은 문제를 드러냅니다: ⚠️ 분자 토큰을 예측하는 것은 이해하는 것과는 같지 않습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Dev.to AI tag의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기