분자지심, GPU 한 장으로 10만 원자 화학반응 구현

쓰먀오 2026-09-15 17:58:00 출처: 량쯔웨이(量子位)

분자 시뮬레이션의 '불가능한 삼각형'을 깨다

윈중, 凹非寺에서 발신

량쯔웨이 | 공식 계정 QbitAI

10만 개의 원자, GPU 한 장이면 정확한 화학 반응을 돌리기 시작할 수 있다.

이것은 분자지심(分子之心)의 최신 반응성 머신러닝 역장(力場) QuantaMind가 밀어붙이고 있는 계산 규모다.

최신 확장 테스트에서 QuantaMind는 이미 양자화학 계산에 근접한 정밀도로 10만 원자급 계의 수백 나노초 반응을 시뮬레이션할 수 있었으며, 단일 스텝 계산에 걸리는 시간은 약 0.25초에 불과하다;

그리고 《Science Advances》에 발표된 연구에서 그것은 17,792개의 원자를 포함한 완전한 PET 가수분해효소 계에서 6 ns 동안 연속 시뮬레이션을 수행해, 양성자 전이, 결합 끊기, 결합 형성, 나아가 완전한 효소 촉매 순환까지 모두 컴퓨터 안에서 한 단계씩 명확하게 일어나게 했다.

AI는 이제 분자를 '사진 찍는' 것에 그치지 않고, 실제 화학 반응을 '영화로 찍기' 시작했다.

난국: 정밀도·시간·규모의 불가능한 삼각형

'영화 찍기'를 현실로 만들려면, 먼저 분자 시뮬레이션 분야에 오래 존재해 온 하나의 '불가능한 삼각형', 즉 정밀도·시간·규모 세 가지를 동시에 가질 수 없다는 문제를 넘어서야 한다——정밀도를 얻으려면 규모와 시간을 희생해야 하고, 규모를 얻으려면 정밀도를 희생해야 한다.

과거에 분자 시뮬레이션은 주로 두 가지 계산 방법에 의존했지만, 각각은 '불가능한 삼각형'의 일부분만 해결할 수 있었다.

한 종류는 고정밀 계산(예: 양자역학 방법)으로, 화학 반응의 모든 세부를 볼 수 있지만 계산량이 막대하다.

대형 계에서의 연산 비용과 소요 시간이 모두 높아, 실제 연구개발에서는 이런 계산을 직접 돌리기 어렵고 보통 수백에서 수천 개 원자, 수조 분의 1초의 극히 짧은 순간만 계산할 수 있다.

다른 한 종류는 전통적 분자 시뮬레이션으로, 수만 나아가 수백만 원자, 더 긴 시간을 돌릴 수 있어 규모가 최대 전자의 수천 배에 이르지만, 분자 구조가 고정되어 있어 결합이 생기거나 끊기지 않는다고 가정한다. 효소 촉매, 산-염기 반응 같은 과정은 그것이 천성적으로 '볼 수 없다'.

최근 몇 년 사이 떠오른 AI 분자 시뮬레이션 모델은 신경망으로 고정밀 계산 데이터를 학습해 정밀도와 속도를 함께 챙기려 시도하며, 국제 최전선 기관들이 계속 투자하는 핫스팟이 되었다.

하지만 대부분 모델의 훈련 데이터는 분자가 안정 상태에 있을 때의 모습에서만 나왔고, '반응이 일어나고 있는 그 순간'을 본 적이 없어 화학 반응을 만나면 겁을 먹으며, 게다가 대형 생물 계의 장시간 시뮬레이션에서는 안정성을 유지하기 어려워 규모 면에서 여전히 제약을 받는다.

돌파구: 세 단계로 AI가 정밀도와 속도, 규모를 동시에 얻도록 하다

위 AI 모델의 단점을 겨냥해 QuantaMind는 세 가지를 했다. 즉 정밀도를 유지하면서 속도와 규모를 끌어올리는 것이다.

첫째, AI에게 '반응이 일어나고 있는' 순간을 대량으로 보게 했다.

논문은 5,286개의 화학 반응 핵심 순간 데이터로 모델을 훈련해, AI가 '화학 결합이 끊어지고 있고, 형성되고 있는' 모습을 진짜로 보게 했다.

둘째, AI가 서로 다른 출처, 서로 다른 정밀도의 계산 데이터를 통합하는 법을 배우게 했다.

모델은 각 데이터 출처의 '스타일'을 특징으로 학습해 넣고, 훈련 시 데이터 품질에 따라 가중치를 배분할 수도 있다.

셋째, AI가 스스로 취약한 부분을 찾아내고, 그것을 겨냥해 보충 학습하게 했다.

특정 단백질과 효소 계에 대해 먼저 모델로 시뮬레이션을 돌리고, 그다음 AI가 확신하지 못하는 구조에 대해 고정밀 계산을 하고 보충 훈련을 하는 것을 반복한다.

실제 연구개발 장면에서 시뮬레이션의 활용성을 더 높이기 위해, QuantaMind는 안정성도 지표로 삼아 공략했다. 장시간 시뮬레이션에서 계의 총 에너지 드리프트가 극히 작아, 수백 나노초의 연속 시뮬레이션을 무너지지 않고 안정적으로 뒷받침할 수 있다.

세 가지 기초 반응 '스트레스 테스트': 양성자 도약에서 산-염기 중화까지

QuantaMind는 먼저 성질이 전혀 다른 세 가지 기초 반응 테스트에 직면했다:

- 물속에서 양성자의 연속 도약(통계적 수렴을 이루려면 수만 번의 사건이 축적되어야 함);

- 순수한 물의 자발적 해리(좀처럼 만나기 어려운 희귀 사건);

- 거의 순간적으로 완료되는 산-염기 중화(알려진 가장 빠른 용액 반응 중 하나).

세 가지 테스트는 느린 통계, 희귀 사건부터 초고속 반응까지의 완전한 스펙트럼을 커버했으며, 결과는 모두 실험과 매우 잘 부합했고, 게다가 QuantaMind는 이런 반응을 위해 특별한 훈련을 하지 않았으며, 전적으로 범용 시뮬레이션 능력만으로 스스로 학습해냈다.

하지만 이것들은 아직 수천에서 수만 원자의 작은 계 테스트에 불과했고, 진짜 큰 시험은 뒤에 있었다.

심화 검증: 단백질 환경에서의 산-염기 감지

한 단계 더 나아간 테스트는 실제 생물 환경으로 향했다. 단백질의 특정 부위는 산-염도에 따라 성질이 변해, 단백질 기능에 영향을 준다.

전통적 시뮬레이션은 이런 상태를 인위적으로 미리 설정해야 하지만, QuantaMind는 그럴 필요가 없다——그것은 한 단백질을 실제 실험 조건에 가까운 완충액 환경에 넣고 20나노초 동안 돌려, 핵심 부위가 스스로 양성자를 '받거나' '놓게' 했고, 추정된 임계점(5.81)은 핵자기공명 실험값(5.5)에 근접해, 환경 변화가 단백질의 미시적 상태에 어떻게 영향을 주는지 설명할 수 있음을 보여주었다.

△히스티딘 적정 시뮬레이션과 pKa 추정(출처: 논문 원본 그림)

대미: 1.8만 원자의 효소 촉매 전 과정 시뮬레이션

앞의 몇 장면이 '맛보기'였다면, 진짜 대미는 PETase, 즉 PET 플라스틱을 분해할 수 있는 효소다.

QuantaMind는 17,792개의 원자를 포함한 완전한 계(PETase 단백질+기질+약 5000개의 물 분자)에 대해 6나노초 전 과정 시뮬레이션을 수행했다. 모든 원자가 AI에 의해 직접 계산되었고, 어떤 반응 경로도 미리 설정하지 않았으며, 효소가 일하는 전 과정을 완전히 돌려냈다.

정말 어려운 것은 1.8만 개의 원자를 컴퓨터에 집어넣는 것이 아니라, 그것들이 6 ns 동안 연속으로 운동하며 그 과정에서 자연스럽게 양성자 전이, 결합 끊기, 결합 형성과 완전한 촉매 순환을 겪게 하는 것이다.

결과는 실험과 매우 일치했다. 반응에서 가장 느린 단계에 필요한 에너지는 실험에서 같은 종류의 효소에 대해 측정된 구간과 부합했고, 다른 몇 단계의 에너지도 모두 기존 메커니즘 연구와 맞아떨어졌다. 촉매에 결정적인 미시 구조도 명확히 포착되었다.

논문은 또 각 단계에서 무작위로 구조를 추출해 양자역학급 계산 방법으로 검증했다. 부합도는 0.99를 넘었다. 즉, AI의 판단과 양자역학 계산이 거의 완전히 일치한다.

예전에 연구자들이 반응 시뮬레이션을 볼 때는 흔히 정지된 스틸 사진 한 장 한 장만 볼 수 있었지만, 이번에는 QuantaMind가 곧바로 한 편의 '촉매 영화'를 찍어냈다——1.8만 원자, 6나노초, 전 과정 무중단, 그리고 그것도 진짜 대형이고 복잡하며 실제 생물 환경에 가까운 계에서였다.

그런데 분자지심의 최신 공개에 따르면, 이 규모는 이제 10만 원자까지 밀어붙여졌다——논문의 1.8만 원자 계의 5배 이상이며, 게다가 GPU 한 장만으로 실행할 수 있어 값비싼 슈퍼컴퓨팅 클러스터가 필요 없고, 이런 시뮬레이션의 계산 인프라 진입 장벽을 크게 낮췄다.

△PETase 완전 촉매 순환과 자유에너지 프로파일(출처: 논문 원본 그림)

'폴딩'에서 '반응'으로: 분자지심이 AI를 분자 동역학 세계로 밀어붙이다

논문 교신저자 쉬진보(許錦波)는 공인된 'AI 단백질 폴딩의 기초를 세운 사람'이다.

2016년 그가 제안한 RaptorX-Contact는 세계 최초의 유효한 AI 단백질 구조 예측 알고리즘이었고, 이후 AlphaFold의 초기 버전도 그 핵심 사상을 토대로 세워졌다.

그가 창업한 분자지심은 2022년에 설립되었으며, 포지셔닝은 AI 단백질 설계 플랫폼이다. 2026년 6월 A라운드 시리즈 융자를 완료해 누적 1억 달러 이상을 조달했고, 7월에는 AI 네이티브 생물경제 운영체제 MoleculeOS를 정식 개방해 생물 연구개발이 운영체제를 쓰듯 AI 능력을 호출할 수 있게 했다.

지난 10년간 AI가 바꾼 것이 '분자 구조를 어떻게 예측하고 설계하는가'였다면, QuantaMind가 대표하는 방향은 AI를 한층 더 '구조가 어떻게 운동하고, 반응이 어떻게 일어나는가'라는 동역학 세계로 들여보내는 것이다.

이전의 단백질 생성, 구조 예측, 및 처음부터 설계(de novo design)에서의 축적에 더해, 분자지심은 이미 '생성-예측-설계-메커니즘 이해'로 이어지는 완전한 기술 사슬을 구축했다.

논문을 토대로 분자지심은 최신 공개에서 밝혔다. QuantaMind는 세 가지 경계를 동시에 밖으로 밀어내고 있다. 계 규모는 만 원자에서 수십만 원자로 확장되며 GPU 한 장으로 실행 가능하고, 시뮬레이션 시간은 수십 나노초에서 수백 나노초로 연장되어 과거에는 완전히 추적하기 어려웠던 더 많은 분자 과정이 계산 가능 범위에 들어오며, 계산 속도는 다시 두 배가 되어 10만 원자 계의 단일 스텝 계산에 0.25초만 필요해, 실제 연구개발 환경에 더 가까운 대형 계에 계산 기반을 제공한다.

팀의 비전은 명확하다. 화학 반응의 검증을 실험실에서 컴퓨터 안으로 앞당기고 싶다는 것이다.

언급할 만한 점은 QuantaMind의 능력이 논문 검증에 그치지 않는다는 것이다.

반감기를 연장한 pH 민감성 항체 설계 프로젝트에서, QuantaMind가 보조 설계한 후보 항체는 pH 6.0에서의 해리 속도가 pH 7.4에서의 62배에 이르렀다——이런 결과는 과거에는 흔히 여러 차례의 습식 실험 스크리닝을 거쳐야 얻을 수 있었다.

효소 공학 분야에서도 분자지심은 이미 QuantaMind를 빌려 여러 복잡한 촉매 효소의 반응 메커니즘을 규명하고, 핵심 돌연변이 부위를 특정해 후속 돌연변이 선택을 직접 지도하고 습식 실험 범위를 좁혔다.

쉬진보는 팀의 초심을 이렇게 설명했다. "QuantaMind는 분자 설계, 메커니즘 시뮬레이션과 실험 검증을 연결하는 핵심 인프라가 되고자 하며, 과정을 추적 가능하고, 메커니즘을 분석 가능하며, 결론을 검증 가능하게 만들어, 더 완전하고 신뢰할 수 있는 AI 분자 연구개발의 새 패러다임을 구축하는 것을 추진한다."

논문 원문: https://www.science.org/doi/epdf/10.1126/sciadv.aeg3595

*본 기사는 량쯔웨이가 게재 허가를 받은 것으로, 관점은 원저자에게만 있습니다.