Azure Quantum Elements, AI 기반 분자 탐색·가속 DFT 기능 공개

기존 분자 탐색의 구조적 한계

화학 연구에서 새 분자를 발굴할 때 연구자들은 이미 연구된 화합물 중심으로 후보를 좁히는 경향이 있다. 이른바 '가로등 효과'로 불리는 이 현상은, 탐색 가능한 분자 공간을 기존 데이터베이스로 제한해 최적 특성을 지닌 미지의 후보 물질을 놓치게 만든다. 이론적으로 존재 가능한 원자 조합은 10의 60제곱에 이른다고 추산되나, 현재 알려진 분자 화합물 수는 수억 종에 그친다. Generative Chemistry는 바로 이 탐색 공간을 AI로 확장하려는 시도다.

Generative Chemistry: 단계별 AI 탐색 파이프라인

이 기능은 사용자가 원하는 분자 특성과 참조 분자를 입력하면 여러 AI 모델이 후보 분자를 생성·선별하는 엔드투엔드 워크플로로 설계되었다. 먼저 입력 조건에서 시드 분자를 추출하고, AI 유도 생성 단계에서 후보군을 구성한다. 이어 비등점·밀도·용해도 등의 물성을 AI 스크리닝 모델로 예측하며, 이 결과가 생성 단계로 피드백되어 후보를 지속적으로 정제한다. 독성 선별 옵션도 제공된다.

이후 AI 기반 합성 경로 분석을 통해 실험실에서 실제로 제조 가능한 분자만을 추려내며, 최종 후보에 대해 Accelerated DFT와 AutoRXN을 활용한 고성능 컴퓨팅(HPC) 시뮬레이션으로 전자 구조 및 화학 안정성을 검증한다. 전체 과정이 수일 내에 완료된다는 점에서, 기존의 시행착오 기반 실험 방식과 비교해 수개월에서 수년의 시간 단축 효과가 기대된다.

Accelerated DFT: PySCF 대비 평균 20배 속도 향상

밀도범함수이론(DFT)은 원자·분자·나노입자의 전자 구조를 시뮬레이션하는 계산화학의 대표 방법론이다. 유전율, 이온화 에너지, 분극률 같은 특성 예측에 활용되며 학술 연구 및 소재 설계에 폭넓게 쓰이지만, 전통적인 DFT 코드는 전문적인 HPC 환경 구성이 필요하고 분자 규모가 커질수록 연산 부담이 급증한다는 한계가 있다.

Microsoft와 Microsoft Research가 공동 개발한 Accelerated DFT는 수천 원자 규모의 분자를 수 시간 내에 계산할 수 있으며, 오픈소스 DFT 코드 PySCF와 비교해 평균 20배 빠른 속도를 기록한다고 밝혔다. SaaS 방식으로 제공되어 별도의 코드 컴파일이나 환경 구성 없이 사용 가능하며, Python SDK를 통해 외부 계산화학 워크플로와 통합할 수 있다. 생성된 고품질 분자 특성 데이터는 AI 모델 훈련 데이터로 재활용할 수 있어, AI·HPC·양자 계산의 선순환 구조를 목표로 한다.

협력 사례와 기술적 한계

덴마크 공과대학교(DTU) Tejs Vegge 교수팀은 범위 분리형 하이브리드 밀도범함수를 활용한 대형 분자 시뮬레이션에서 Accelerated DFT의 속도 향상 효과를 확인했다. AspenTech는 프로세스 모델링 시스템과 탈탄소화 솔루션에 대한 적용 가능성을 평가 중이며, Unilever도 Azure Quantum Elements 활용 기관으로 언급되었다.

다만 두 기능 모두 현재 비공개 미리보기(private preview) 단계로, 범용 접근성은 제한적이다. Generative Chemistry는 AI 물성 예측의 정확도와 합성 가능성 평가의 신뢰성이 실용화의 핵심 변수이며, Accelerated DFT의 속도 비교는 PySCF를 기준으로 한 것으로, 다른 최적화된 DFT 구현체와의 비교 데이터는 원문에서 제시되지 않았다.