MolLean: 화학 추론을 실행 가능하고 검증 가능한 과정으로

들어가며

대규모 언어 모델은 화학 추론을 유창하게 설명할 수 있지만, 실제 분자 구조를 정확히 다룬다는 보장은 없다. 편집 과정에서 원자 수를 잘못 세거나 존재하지 않는 작용기를 만들어낼 수 있고, 측정하지 않은 물성이 개선됐다고 주장할 수도 있다. MolLean은 이 문제를 해결하기 위해 추론을 명시적인 분자 상태에 연결된 실행 가능한 궤적으로 표현한다. 그럴듯한 문장을 믿는 데서 그치지 않고, 모델이 내린 각각의 화학적 약속을 확인할 수 있게 만드는 접근이다.

핵심 구성

• 분자 상태를 명시적으로 유지한다. MolLean은 추론이 진행되는 동안 구체적인 분자 상태를 관리한다. 그래프 편집, 복합 변환, 분자 판독값에 대한 주장은 모두 현재 상태와 일치해야 한다.
• 검증을 계층화한다. Lean 기반 커널은 원시 그래프 편집부터 더 복잡한 변환까지 여러 수준에서 연산을 점검하고, 분자 판독값에 대한 주장도 검사한다.
• 구조 검증과 측정을 구분한다. 타입이 지정된 증명 자료 프로토콜은 시스템이 자체적으로 확인할 수 있는 구조적 사실과 외부 평가기가 제공하는 측정 결과를 분리한다. 구조가 바뀌었다는 사실과 물성이 좋아졌다는 주장은 같은 종류의 근거를 요구하지 않는다.
• 거부된 행동은 상태를 바꾸지 않는다. MolLean은 한 번에 실행하는 방식과 전체 궤적 개선을 지원하며, MolLean-MCP는 상태를 유지하는 대화형 인터페이스를 추가한다. 모델은 각 행동 뒤에 피드백을 받고, 거부된 행동은 이후 추론에 잘못된 변화를 남기지 않는다.

논문은 에탄올을 1-프로판올로 편집하는 사례, 탄소 원자 수를 정확히 25개로 제한하는 사례, 측정 피드백을 활용한 QED 최적화, 그리고 부적절한 페닐기 결합을 거부한 뒤 다음 행동으로 진행하는 대화형 사례를 제시한다. 이는 검증이 최종 점수만을 위한 절차가 아니라, 다음 행동의 방향을 정하는 실시간 제약이 될 수 있음을 보여준다.

평가와 의미

연구진은 분자 생성, 편집, 최적화, 반응을 포함한 12개 과제에서 8,800개의 대응 샘플을 사용해 직접적인 연쇄 사고와 MolLean의 여러 실행 방식을 비교했다. Qwen3.6-27B를 사용했을 때 전체 궤적 개선은 12개 과제 모두에서 직접적인 연쇄 사고보다 우수했다. MolLean-MCP는 단계별 검증 피드백으로 전체 궤적 개선을 보완했으며, 보고된 평가에서는 반응 과제에서 더 나은 성능을 보였다.

이 연구의 핵심 의미는 화학 AI의 답변을 ‘그럴듯한 결론’에서 ‘실행하고 확인하고 거부하고 수정할 수 있는 과정’으로 바꾸려는 데 있다. 분자 설계와 반응 추론을 더 쉽게 감사할 수 있게 하고, 구조 환각이나 근거 없는 물성 주장을 줄일 가능성이 있다. 다만 제공된 자료가 다루는 범위는 프레임워크와 벤치마크 결과이며, 프로젝트 페이지에는 코드 공개가 예정돼 있다고 적혀 있다. 더 다양한 데이터, 실제 실험과의 폐쇄 루프, 다른 모델에서의 재현성은 앞으로 확인해야 할 과제다.

Hugging Face Daily Papers