S1-Omni: 분자·단백질·재료·과학 이미지를 하나로 묶는 멀티모달 과학 추론 모델

도입

AI for Science는 빠르게 성장했지만, 실제 모델 생태계는 여전히 조각나 있다. 재료 구조를 표현하는 CIF, 분자 SMILES, 단백질 서열, 스펙트럼, 과학 이미지는 대개 서로 다른 전문 모델과 파이프라인에서 처리된다. S1-Omni는 이러한 분절을 줄이고, 다양한 과학 데이터를 하나의 멀티모달 추론 프레임워크 안에서 다루려는 모델이다.

핵심 내용

• 과학 데이터의 통합 표현: S1-Omni는 자연어 지시와 여러 과학 객체를 공통 표현 공간으로 매핑한다. 입력에는 재료 CIF, 분자 SMILES, 단백질 서열, 스펙트럼, 과학 이미지가 포함된다. 이는 특정 데이터 형식에 갇힌 모델이 아니라, 여러 증거를 함께 해석하는 모델을 지향한다는 뜻이다.
• 과학 지식과의 정렬: 논문은 데이터 구성과 학습 과정에 과학 법칙 및 전문가 지식을 포함한다고 설명한다. 단순히 대규모 데이터를 학습하는 데 그치지 않고, 과학적 근거에 기반한 추론을 강화하려는 설계다.
• 작업별 디코딩: 표현 공간은 통합되어 있지만 출력 방식은 작업에 맞게 나뉜다. S1-Omni는 물성 예측, 스펙트럼에서 분자 구조 생성, 단백질 부위 및 구조 예측, 과학 이미지 생성과 편집 등을 지원한다.
• 넓은 작업 범위: S1-Omni-Corpus는 200개 이상의 과학 작업을 포함하며 수백만 개의 추론 샘플로 구성됐다고 소개된다. 평가는 60개 이상의 과학 벤치마크에서 진행됐다. 논문에 따르면 S1-Omni는 대부분의 벤치마크에서 GPT-5.5와 Gemini-3.1-Pro보다 높은 성능을 보였고, 일부 기준에서는 도메인 특화 모델과 같거나 더 나은 결과를 냈다.
• 공개 리소스: 연구진은 모델 가중치, 추론 코드, S1-Omni-Corpus의 1만 샘플 하위 집합을 공개했다. 커뮤니티가 직접 검증하고 활용해 볼 수 있는 기반을 제공한 셈이다.

의미와 영향

S1-Omni의 의미는 단일 작업 성능보다 AI4Science의 방향성에 있다. 지금까지의 과학 AI가 개별 도구의 집합에 가까웠다면, S1-Omni는 재료, 분자, 단백질, 이미지, 텍스트 지시를 하나의 과학 추론 기반 위에서 연결하려 한다.

다만 통합 모델이 실제 연구 환경에서 전문 모델을 대체하거나 보완할 수 있는지는 아직 검증이 필요하다. 벤치마크의 신뢰도, 재현성, 분야별 전문가 검토, 출력의 검증 가능성이 중요하다. S1-Omni는 완성된 해답이라기보다, 범용 과학 기초 모델로 가는 실질적인 출발점으로 볼 수 있다.

출처: Hugging Face Daily Papers