단일 정답을 넘어: 화학적 타당성을 고려한 역합성 언어 모델

들어가며

역합성은 목표 분자에서 출발해 어떤 전구체와 결합 절단 방식을 사용하면 해당 분자를 만들 수 있는지 거꾸로 추론하는 작업이다. 실제 화학에서는 하나의 목표 분자에 대해 여러 개의 타당한 합성 경로가 존재할 수 있다. 하지만 많은 벤치마크는 모델이 하나의 정답을 맞혀야 한다고 가정하고 정확 일치 방식으로 평가한다. 이 방식은 기록된 기준 경로와 다르지만 충분히 유용한 대안을 발견한 모델을 과소평가할 수 있다.

Hugging Face Daily Papers에 소개된 이번 연구는 이러한 문제를 해결하기 위해 Top-K prompting과 Top-K training을 제안했다. 연구진은 C3LM(Chemistry Constraint-Consistent Language Model)의 새로운 버전을 개발해 하나의 반응만 예측하는 대신 여러 후보를 생성하도록 했다. 핵심은 후보 수를 단순히 늘리는 것이 아니라, 화학적으로 신뢰할 수 있고 서로 일정한 차이를 지닌 제안을 확보하는 데 있다.

핵심 내용

• 다중 후보 생성: Top-K 방식은 모델 출력 자체를 단일 답변이 아닌 후보 집합으로 확장한다. 이는 실제 합성 계획에서 여러 경로를 비교하는 과정과 더 가깝다.
• 대규모 학습 데이터: C3LM은 전문가가 코드화한 반응 템플릿에서 파생된 CREED-CCV-2+USPTO-XL 데이터셋으로 학습됐다. 데이터셋에는 약 4,560만 건의 검증된 반응이 포함된다.
• 타당성과 신규성 반영: 미세 조정과 함께 ChemCensor 기반 보상 및 신규성 지향 보상을 사용했다. 화학적으로 부적절한 출력을 줄이는 동시에 이미 반복되는 반응 패턴 밖의 후보를 탐색하려는 접근이다.
• 분포 밖 평가: 제공된 요약에 따르면 OOD URSA-expert-2026에서 Top-K를 결합한 C3LM은 최신 수준의 성능을 보였으며, 일부 조건에서는 강력한 기존 역합성 모델과 경쟁하거나 이를 앞섰다.

의미와 한계

이번 연구의 가장 큰 의미는 역합성 모델을 반드시 “참조 답변을 맞혔는가”만으로 평가할 필요가 없다는 점을 보여준 데 있다. 참조 데이터에 없는 경로라도 화학적으로 활용 가치가 있을 수 있다. 그렇다고 후보를 많이 생성하는 것만으로 충분한 것은 아니다. 각 경로의 타당성을 확인하고 이후 합성 계획 단계에서 우선순위를 정해야 한다. 따라서 Top-K는 실험 판단을 대신하는 기술이라기보다 검색 가능한 경로의 출발점을 넓히는 인터페이스로 보는 편이 적절하다.

반응의 고유성에 대한 분석도 주목할 만하다. C3LM과 기존의 우수한 모델은 동일한 반응 후보만 반복해서 내놓는 것이 아니라, 서로 보완적인 반응 공간을 탐색하는 것으로 나타났다. 기존 모델은 구조화된 반응 템플릿과 알려진 패턴을 활용하는 데 강점이 있을 수 있고, 언어 모델은 다른 표현 방식이나 생성 경로를 통해 대안을 제시할 수 있다. 따라서 합성 계획 엔진에서는 한 모델의 점수만 높이는 것보다 두 계열을 결합해 후보 범위를 넓히는 전략이 실용적일 가능성이 있다.

다만 제공된 자료에는 전체 성능표, 세부 절제 실험, 실제 실험실 검증 결과가 포함돼 있지 않다. 따라서 C3LM이 독립적으로 실행 가능한 합성 경로를 설계한다고 단정할 수는 없다. 향후에는 화학적 타당성, 후보 다양성, 신규성, 비용, 실험 성공률을 함께 평가해야 한다. 그럼에도 이 연구는 LLM 기반 역합성을 단일 정답 예측에서 신뢰할 수 있는 후보 묶음 생성으로 확장하는 방향을 제시한다.

출처: Hugging Face Daily Papers