LLM, 미지 화합물 구조 규명 정확도 2%

ai.euno.news 자동 뉴스 요약

대규모 언어 모델(LLM)이 미지 화합물의 구조를 스스로 규명하는 능력은 학습 분포를 벗어나면 급격히 떨어지며, 이를 보완하려면 전문 분석 도구가 필요하다는 연구가 공개됐다. 11월 2일 arXiv에 제출된 논문에 따르면, 최전선 LLM은 문헌에 잘 알려진 화합물에서는 52%의 Top-1 정확도를 냈지만 사실상 기록이 없는 화합물에서는 정확도가 2%에 그쳤다.¹

연구진은 탠덤 질량분석(MS/MS) 스펙트럼만 보고 후보 목록이나 참조 라이브러리 없이 분자 구조를 직접 제안하는 ‘데노보(de novo) 구조 규명’을 시험했다. 최근 최전선 언어 모델이 별도 도구 없이 1차원 핵자기공명(1D NMR) 구조 규명 문제를 풀었다는 보고가 나온 가운데, 같은 능력이 MS/MS에도 이어지는지 확인하려는 실험이다.

평가에는 질량분석 벤치마크인 MassSpecGym에서 고른 분석물 100종을 썼다. 연구진은 각 물질이 문헌 등 텍스트에 얼마나 등장하는지를 기준으로, 기록이 풍부한 분포 내 집단과 거의 기록되지 않은 분포 밖 집단으로 나눴다. 모델과 실행 환경, 출력 형식은 고정하고 도메인 전용 도구 접근 권한만 바꿔, 학습 과정에서 접한 지식을 떠올리는 능력과 실제 추론 능력을 분리하려 했다.

분포 밖 정확도를 높인 도구는 데노보 구조 생성기뿐이었다. 이를 연결한 에이전트는 분포 밖 Top-1 정확도를 최대 38%까지 끌어올렸고, 데노보 모델을 단독으로 썼을 때보다 분포 내·외 모두에서 더 나은 성능을 냈다. LLM이 생성기의 후보를 활용하는 조합은 효과가 있었지만, LLM만으로 낯선 MS/MS 스펙트럼을 해석하는 데에는 한계가 뚜렷했다는 뜻이다.

연구진은 추가 성능 향상의 핵심이 LLM 자체보다 에이전트에 제공되는 전문 도구라고 결론 내렸다. 다만 이번 결과는 분석물 100종으로 구성한 벤치마크와 특정 실험 설정에서 얻은 것이며, 논문은 아직 arXiv에 제출된 사전 공개본이다.¹

읽기 목록은 이 브라우저에 저장됩니다.