새로운 소재를 설계하는 것은 실제로 이를 제작하는 것보다 훨씬 쉬운 작업으로 간주되어 왔다. 특히 AI가 수백만 개의 이론적인 소재 구조를 생성해 왔음에도 불구하고, 온도나 타이밍의 미세한 차이가 소재의 특성을 완전히 바꿀 수 있다는 점 때문에 '합성 병목 현상'은 여전한 난제로 남아 있다. 이에 따라 MIT 연구진은 이러한 간극을 메우기 위해 복합 고체를 만드는 데 필요한 구체적인 '베이킹 레시피'를 제공하는 생성형 AI 모델인 DiffSyn을 개발했다.

기존 모델들이 하나의 구조를 단일 레시피로만 연결하려 했다면, DiffSyn은 목표 구조에 도달하는 방법이 여러 가지라는 사실에 주목한다. 이 모델은 합성 경로를 '일대다(one-to-many)' 매핑 방식으로 처리하여 과학자들에게 여러 가지 실행 가능한 경로를 제안한다. 실제로 DiffSyn은 지난 50년간의 과학 문헌에서 추출한 2만 3천 개의 레시피를 학습했으며, 데이터에서 무작위 노이즈를 제거해 유의미한 화학적 경로를 찾아내는 확산 모델 기법을 사용했다.

연구팀은 산업용 촉매로 널리 쓰이지만 합성 변수가 매우 복잡해 제작하기 까다로운 제올라이트에 초점을 맞췄다. DiffSyn은 1분도 채 되지 않는 시간에 1,000개의 잠재적 레시피를 샘플링할 수 있으며, 보통 결정화에 수 주가 걸리는 소재에 대해 매우 정확한 초기 설계안을 제공한다. 이러한 에이전틱 AI 추론의 발전은 화학 분야에 최적화된 파운데이션 모델을 활용해 소재를 실시간으로 설계하고 직접 제작하는 자율 연구실의 시대를 앞당길 것으로 기대된다.

새로운 소재를 설계하는 것은 실제로 이를 제작하는 것보다 훨씬 쉬운 작업으로 간주되어 왔다. 특히 AI가 수백만 개의 이론적인 소재 구조를 생성해 왔음에도 불구하고, 온도나 타이밍의 미세한 차이가 소재의 특성을 완전히 바꿀 수 있다는 점 때문에 '합성 병목 현상'은 여전한 난제로 남아 있다. 이에 따라 MIT 연구진은 이러한 간극을 메우기 위해 복합 고체를 만드는 데 필요한 구체적인 '베이킹 레시피'를 제공하는 생성형 AI 모델인 DiffSyn을 개발했다.

기존 모델들이 하나의 구조를 단일 레시피로만 연결하려 했다면, DiffSyn은 목표 구조에 도달하는 방법이 여러 가지라는 사실에 주목한다. 이 모델은 합성 경로를 '일대다(one-to-many)' 매핑 방식으로 처리하여 과학자들에게 여러 가지 실행 가능한 경로를 제안한다. 실제로 DiffSyn은 지난 50년간의 과학 문헌에서 추출한 2만 3천 개의 레시피를 학습했으며, 데이터에서 무작위 노이즈를 제거해 유의미한 화학적 경로를 찾아내는 확산 모델 기법을 사용했다.

연구팀은 산업용 촉매로 널리 쓰이지만 합성 변수가 매우 복잡해 제작하기 까다로운 제올라이트에 초점을 맞췄다. DiffSyn은 1분도 채 되지 않는 시간에 1,000개의 잠재적 레시피를 샘플링할 수 있으며, 보통 결정화에 수 주가 걸리는 소재에 대해 매우 정확한 초기 설계안을 제공한다. 이러한 에이전틱 AI 추론의 발전은 화학 분야에 최적화된 파운데이션 모델을 활용해 소재를 실시간으로 설계하고 직접 제작하는 자율 연구실의 시대를 앞당길 것으로 기대된다.