화학, 물리학, 공학이 깊이 얽혀 있는 첨단 분야인 재료 합성은 현대 기술 혁신의 핵심 원동력이었습니다. 그러나 새로운 재료의 탄생은 미리 정해진 공식을 단순히 구현하는 것이 아니라, 과학적 직관, 정밀한 제어, 그리고 끊임없는 탐구가 통합된 불확실한 창조 과정입니다. 이 과정을 요리에 비유하자면, 같은 요리라도 요리사, 재료 비율, 조리 기술, 심지어 아주 미세한 열의 차이에 따라 최종 맛이 크게 달라지는 것처럼, 재료 합성 또한 마찬가지입니다.매개변수의 선택과 조건의 미세 조정 하나하나가 재료의 특성에 엄청난, 심지어 결정적인 영향을 미쳐 서로 다른 결과를 초래할 수 있습니다.

현재 연구자들은 고성능 컴퓨팅과 데이터 기반 방법을 활용하여 방대한 화합물 중에서 잠재적 안정성과 합성 가능성을 지닌 수백만 가지 물질을 선별해 왔습니다. 이는 마치 무수히 많은 희귀하고 정교한 요리가 담긴 "메뉴"와 같아서, 재료 합성 분야에서 "무엇을 합성할 것인가"라는 근본적인 질문에 대한 예비적인 해답을 제공합니다. 그러나 요리가 레시피뿐 아니라 조리 과정에도 의존하듯, 실현 가능한 "조리법" 없이 "메뉴"만 있는 것은 재료 합성의 핵심적인 병목 현상으로 남아 있습니다. 따라서 이론적인 물질을 "조리"하는 방법, 즉 "합성 방법"의 문제를 해결하는 것은 현재 재료 연구가 실용적인 응용으로 나아가기 위해 반드시 극복해야 할 중요한 과제입니다.

위의 과제에 대응하여,MIT, 뮌헨 공과대학교, 발렌시아 공과대학교의 연구팀이 DiffSyn이라는 혁신적인 생성 확산 모델을 제안했습니다.50년 이상에 걸친 문헌에서 수집한 23,000개 이상의 생성형 공식을 기반으로 훈련된 이 모델은 목표 제올라이트 구조와 유기 템플레이트를 바탕으로 가능한 합성 경로를 생성할 수 있습니다. 이 모델의 핵심 장점은 재료의 구조-합성 관계에서 나타나는 "일대다" 및 "다중 모드" 특성을 포착하여 연구자들에게 재료 준비 과정에 대한 과학적이고 정확한 지침을 제공하는 데 있습니다. 회귀 모델 및 기타 생성형 모델을 사용하는 기존 방법과 비교했을 때, DiffSyn은 훨씬 우수한 성능을 보여줍니다.

이번 연구에서 연구팀은 DiffSyn이 제올라이트(촉매, 흡착 및 이온 교환에 널리 사용될 수 있는 결정질 미세다공성 물질의 일종)의 효율적인 합성 경로를 예측할 수 있음을 입증했습니다.연구팀은 합성 경로를 기반으로 UFI형 제올라이트 물질을 성공적으로 제조했습니다. 밀도 함수 이론 결합 에너지 계산 결과, 유도 결합 플라즈마 광학 방출 분광법(ICP)으로 측정한 실리콘 대 알루미늄 비율(Si/Al)이 19.0에 달하는 것으로 확인되었습니다.이러한 탁월한 특성은 다공성 소재의 열 안정성을 크게 향상시켜 고온 및 가혹한 환경에서의 적용 가능성을 열어줄 것으로 기대됩니다.

"DiffSyn: 재료 합성 계획을 위한 생성적 확산 접근법"이라는 제목의 관련 연구 결과는 Nature Computational Science에 게재되었습니다.

연구 하이라이트:

* 50년 이상의 문헌에서 수집한 23,961개의 합성 레시피를 기반으로 학습된 DiffSyn은 기존 회귀 모델의 결정론적 매핑의 한계를 극복합니다. 

* 회귀 모델 및 기타 심층 생성 모델과 비교했을 때, DiffSyn은 12개의 합성 매개변수 중 10개에서 가장 낮은 평균 절대 오차를 달성하여 탁월한 성능을 보여줍니다.

* 실리콘 대 알루미늄 비율이 19.0에 달하는 목표 물질을 성공적으로 제조함으로써 DiffSyn 모델의 실용적인 가치를 입증했습니다.

서류 주소:

https://www.nature.com/articles/s43588-025-00949-9
저희 공식 위챗 계정을 팔로우하고 백그라운드에서 "제올라이트 예측"이라고 답장하시면 전체 PDF 파일을 받으실 수 있습니다.

제올라이트 합성 집중 연구: 50년에 걸친 학습 데이터, 23,000개 이상의 제조법 포함.

재료 합성 분야에서 심오하고 성공적인 연구 성과인 DiffSyn의 가장 큰 특징은 바로 그 집중력입니다. DiffSyn 모델 학습에 사용된 핵심 데이터셋은 ZeoSyn 데이터셋입니다.이는 동일 연구팀이 제안한 데이터 세트로, 233개의 제올라이트 구조와 921개의 유기 구조 유도제(OSDA)를 포함하여 23,961개의 제올라이트 수열 합성 경로를 다룹니다.이 자료의 출처는 50년 이상에 걸친 제올라이트 합성 관련 문헌입니다.

모델 기능 향상: 생성 확산 모델을 기반으로 혁신적인 화학적 유도 방식을 도입했습니다.

물질 합성 경로는 결코 유일하지 않습니다. 이 연구의 제1 저자인 엘튼 판이 말했듯이, 실제로는 물질 구조와 합성 간의 관계에 따라 다양한 합성 경로가 존재할 수 있습니다. 이러한 패러다임 전환은 구조와 합성 간의 관계가 "일대일"에서 "일대다"로 변화해야 함을 의미합니다.

기본 모델 선택 – 생성적 확산 모델

머신러닝 방법론에서 구조와 합성 사이의 일대다 관계는 상당한 어려움을 야기합니다. 연구자들은 또한 합성과 구조 사이의 일대다 관계, 즉 역관계도 고려해야 합니다. 마찬가지로, 단일 제형이라도 열역학 및 반응 속도론과 같은 복잡한 요인들의 상호작용으로 인해 여러 생성물의 혼합물, 즉 경쟁적인 상이 형성될 수 있습니다. 또한, 합성 매개변수 간에는 복잡한 비선형적 상호작용이 존재하므로, 변수 간의 관계를 파악하고 합성 매개변수에 가중치를 부여하기 위해서는 여러 합성 매개변수의 확률을 동시에 모델링할 수 있는 방법이 필요합니다.

DiffSyn 이전에는 기존의 머신러닝 기반 방법들이 주로 회귀 모델을 사용했습니다. 이러한 방법들은 특정 물질 표현을 합성 매개변수에 결정론적으로 매핑하여 일대일 구조-합성 관계를 직접적으로 도출했습니다. 더 중요한 것은 합성 매개변수 간의 관계가 독립적이어서, 이들 사이의 강한 연관성을 제대로 표현하지 못했다는 점입니다. 이러한 한계로 인해 회귀 모델의 예측 정확도가 크게 제한되었습니다.

이와 대조적으로, DiffSyn 모델은 생성적 확산 모델을 기반으로 하는 완전히 새로운 접근 방식을 취합니다.기존의 생성적 적대 신경망과 비교했을 때,확산 모델은 훈련을 통해 잡음이 섞인 데이터에서 잡음을 제거하고 다양한 결과를 생성할 수 있습니다.변분 오토인코더와 같은 심층 생성 방법과 비교했을 때,확산 모델의 반복적인 잡음 제거 과정은 모델에 높은 표현력을 부여하여 탁월한 샘플 품질을 달성하고, 합성 공간에서 경쟁하는 위상 간의 경계까지 포착할 수 있게 합니다. 이것이 본 연구를 기존 연구들과 차별화하는 핵심적인 특징입니다.저자의 말을 빌리자면, "이것은 구조와 구성 사이의 일대일 대응에서 일대다 대응으로의 패러다임 전환입니다."

이는 DiffSyn이 고차원 합성 공간을 가진 제올라이트 물질을 예측할 수 있는 핵심적인 요소이기도 합니다.

핵심 규제 메커니즘 – 화학물질 지침

DiffSyn의 또 다른 핵심 특징은 "화학적 안내"입니다. DiffSyn은 매개변수 세트를 무작위로 출력하는 것이 아닙니다. 대신, 화학적 지침을 사용하여 화학적 원리에 부합하고 확산 모델을 통해 목표 제올라이트 구조를 목표로 하는 합성 경로를 생성합니다. 구체적으로, 목표 제올라이트 구조 Czeo와 유기 구조 유도제(OSDA) Cosda를 입력 및 출력으로 사용합니다. 아래 그림을 참조하십시오.

OSDA는 제올라이트의 기공 구조를 "템플레이트"로 삼아 합성 과정을 특정 구조로 유도할 수 있는 유기 분자입니다. 이는 아래 그림 e에 나타나 있습니다.

그리고 가장 중요한 것은,이 모델은 결정론적 매개변수가 아니라 조건부 확률 분포를 학습합니다.목표 구조와 OSDA가 주어지면, 겔 조성 Xcomp 및 합성 조건 Xcond를 포함한 일련의 합성 경로가 생성됩니다. 이것이 앞서 언급한 "일대다" 관계를 해결하는 핵심입니다.

훈련 과정 동안,순방향 확산 과정(워크플로우 다이어그램에서 빨간색 화살표로 표시된 부분)은 Xcomp와 Xcond에 가우시안 노이즈를 추가하여 점진적으로 가우시안 분포로 변환합니다.추론 단계에서는역확산 과정(워크플로우 다이어그램의 녹색 화살표로 표시됨)은 가우시안 노이즈로 시작하여 분류기 독립적인 가이드 전략을 사용하여 화학적으로 유도된 U-Net을 통해 노이즈를 반복적으로 제거합니다. 아래 다이어그램을 참조하십시오.

T 시간 단계 동안 노이즈 제거 과정을 거친 후, 모델은 목표 구조에 해당하는 합성 경로를 생성할 수 있습니다. 역확산 과정 동안 Wasserstein 거리 및 COV-P(정확도)와 같은 생성 지표가 지속적으로 최적화되어 노이즈 제거 과정의 효율성을 검증하고 화학적 유도의 역할을 입증합니다.

DiffSyn 워크플로우 구현 – 듀얼 인코더, 특징 융합 인코더

모델 아키텍처 측면에서,DiffSyn은 이중 인코더 아키텍처를 사용하여 제올라이트 구조와 OSDA를 독립적인 인코더(Enczeo 및 EncOSDA)를 통해 처리합니다.

제올라이트 구조를 특성화하기 위해 연구팀은 구조적 특징을 추출하는 두 가지 전략을 사용했습니다. 첫째, 불변 기하학적 특징을 추출하는 전략으로, Zeo++ 소프트웨어 패키지를 사용하여 기공 부피, 고리 크기, 최대 외접 구 직경과 같은 제올라이트 구조의 관련 물리적 설명자를 추출한 다음 이를 다층 퍼셉트론 인코더에 입력하여 학습시켰습니다. 둘째, 등변 그래픽 신경망(EGNN) 특징화 전략으로, 등변 그래픽 신경망 인코더를 사용하여 제올라이트 결정 구조 스펙트럼 데이터에서 화학적으로 의미 있는 잠재 공간 특징을 직접 학습시켰습니다.
* 데이터는 국제 제올라이트 협회(IZA) 데이터베이스에서 가져왔습니다.

유기 구조 유도제의 특성 분석을 위해 연구팀은 RDKit을 사용하여 유기 구조 유도제의 다양한 입체 구조를 생성하고, MMFF94 힘장을 이용하여 각 입체 구조에 대한 기체상 기하 최적화를 수행했습니다. 그런 다음, 분자 부피 및 2차원 형태 특성과 같은 물리화학적 특성 변수들의 평균값을 모든 입체 구조에 대해 계산하여 유기 구조 유도제의 특성으로 활용했습니다.

이후 연구팀은 제올라이트의 구조적 특징과 유기 구조 유도제의 특징을 결합한 다음, Encfusion 인코더를 사용하여 두 가지의 공동 특성을 학습하고 화학적 안내 정보를 생성했습니다. 이 공동 특성은 확산 모델의 역방향 잡음 제거 과정을 안내하는 데 사용되어 생성된 합성 경로가 화학적 원리에 부합하도록 합니다. 특히, DiffSyn은 학습 과정에서는 나타나지 않았지만 문헌에 보고된 합성 경로를 반영하는 합성 매개변수를 생성할 수 있습니다. 아래 그림을 참조하십시오.

또한, 분류기 독립적인 가이드 기능은 DiffSyn의 핵심 요소입니다. 핵심 원리는 조건부 점수 함수(화학적 가이드 정보 포함)와 무조건부 점수 함수(가이드 정보 미포함)를 가중 조합하여 추가적인 분류기 없이 생성 과정을 조절하는 것입니다. 실험 결과, Puncond = 0.1 및 W = 1.0일 때 생성된 합성 경로의 다양성과 품질 사이에서 최적의 균형을 얻을 수 있었습니다.
* Puncond는 훈련 중 화학적 유도 과정을 무작위로 생략할 확률입니다. 값이 너무 높으면 생성 경로에 과도한 제약이 생기고, 값이 너무 낮으면 목표 구조에 대한 타겟팅이 감소합니다.
* W는 추론 과정에서 가중 조건부 점수의 가중치, 즉 지침 강도를 나타냅니다.

요약하자면, 위 내용은 목표 제올라이트 물질을 생성하는 합성 경로의 화학적 합리성을 확보하고, 목표 구조를 정확하게 타겟팅하며, 모델의 일반화 능력을 향상시키는 데 중요한 토대를 마련합니다.

다차원 실험 비교: 비교 성능은 최첨단(SOTA) 수준에 도달했으며, 실제 결과는 기존에 보고된 최고값을 경신했습니다.

DiffSyn의 성능을 검증하기 위해 연구팀은 실험 단계에서 기존 방법과의 비교, 예측된 제올라이트 합성 경로와 문헌 보고서 간의 비교를 포함한 여러 가지 실험을 진행했습니다.

회귀 모델 및 기존 생성/심층 생성 모델과의 비교

연구팀은 DiffSyn과 비교하기 위해 세 가지 기준 모델을 구축하여 제안된 방법의 성능과 기능을 평가했습니다. 세 가지 기준 모델은 다음과 같습니다.

* 회귀 모델: AMD(평균 최소 거리) 및 BNN(베이지안 신경망) 

* 고전적인 생성 모델: GMM(가우시안 혼합 모델)

*심층 생성 모델: GAN(조건부 생성적 적대 신경망), NF(정규화 흐름), VAE(변분 오토인코더)

본 실험에서는 생성된 데이터와 실제 데이터 분포 간의 차이를 측정하기 위한 지표로 바서슈타인 거리를 사용하였고, 생성된 합성 경로의 다양성을 평가하기 위한 지표로는 커버리지 지수 COV-F1(0에서 1 사이의 값, 값이 높을수록 좋음)을 사용하였다.

바서슈타인 거리는 GAN, NF, VAE, DiffSyn과 같은 심층 생성 모델이 기존 방법보다 훨씬 뛰어난 성능을 보인다는 것을 입증합니다.DiffSyn은 최적화되지 않은 기준선(VAE)보다 25% 이상 개선되었습니다.아래 그림 a에서 보는 바와 같이:

또한, 심층 생성 알고리즘은 일반적으로 회귀 모델보다 우수한 성능을 보이는데, 이는 주로 더 높은 COV-R(재현율) 때문입니다. 다음 사항은 주목할 만합니다...DiffSyn은 더 높은 COV-P 덕분에 다른 심층 생성 모델보다 우수한 성능을 보입니다.또한, DiffSyn은 회귀 기반 방법처럼 명시적인 평균 절대 오차 목표를 설정하여 학습하지 않았음에도 불구하고, 아래 그림 c에서 볼 수 있듯이 12개의 합성 매개변수 중 10개에서 가장 낮은 평균 절대 오차를 달성했습니다.

또한, 연구팀은 모든 방법을 사용하여 예측한 여러 합성 매개변수의 결합 분포를 AEL 제올라이트의 실제 결합 분포와 비교했습니다.이러한 결정 구조에 대한 결정화 온도와 시간의 진정한 복합 분포를 포착할 수 있는 것은 오직 심층 생성 방법뿐입니다.그중 DiffSyn은 대부분의 실제 데이터 포인트(일부 이상치 포함)를 포함하여 결합 분포를 가장 정확하게 포착하지만, 2차 패턴의 데이터 포인트(극단적인 이상치)를 예측하는 데는 실패합니다.

후속 검증에서 연구팀은 DiffSyn을 사용하여 여러 합성 매개변수의 결합 분포를 학습하고 이전에 관찰되지 않았던 두 가지 제올라이트-OSDA 시스템에 대한 두 가지 합성 매개변수를 조사했습니다.이번 결과는 DiffSyn이 재료 합성 분야의 특정한 규칙들을 완벽하게 숙달했음을 확인시켜 줍니다.이는 화학적으로 중요한 의미를 지닙니다.

생성된 합성 경로를 기존 문헌에 보고된 경로와 비교하십시오.

연구팀은 연구 가치와 산업적 응용 가능성이 있는 몇 가지 제올라이트-OSDA 시스템을 선정하여 DiffSyn으로 생성된 합성 경로와 기존 문헌에 보고된 합성 경로의 차이점을 비교하고, DiffSyn이 이전에 알려지지 않은 MWW 및 BEC형 제올라이트와 FAU/LTA 경쟁 결정상 시스템의 형성 경로에 대한 합성-구조 관계를 학습할 수 있음을 검증했습니다. 아래 그림을 참조하십시오.

첫째, MWW 시스템은 10원자 고리와 큰 공동을 가진 2차원 구조로, 이성질화 및 방향족화 반응에 사용됩니다. DiffSyn에서 생성된 OH⁻/T, K⁺/T, H₂O/T, SDA/T, 온도 및 시간 매개변수는 실제 합성 매개변수와 매우 잘 일치합니다.이는 DiffSyn이 이전에 보지 못한 구조에서도 합리적인 윈도우를 재현할 수 있음을 증명합니다.

둘째로, BEC 시스템은 12원자 고리 채널이 교차하는 3차원 기공 구조를 가진 거대 기공 제올라이트로서, 이성질화 및 에폭시화 반응에 적합합니다. DiffSyn에서 생성된 합성 매개변수 Si/Ge, F⁻/T 및 온도/시간은 문헌에 보고된 값과 매우 일치합니다. 특히, 문헌에서는 Ge와 F⁻가 합성 과정에서 BEC 구조의 이중 4원자 고리(d4r)를 안정화시킨다고 지적하고 있으며, DiffSyn도 이를 동일하게 수행합니다.이는 DiffSyn이 특정 이종 원자 또는 합성 조건을 학습하여 제올라이트에서 특정 구조 단위의 형성을 촉진할 수 있음을 보여줍니다.

마지막으로, 연구팀은 DiffSyn을 사용하여 OSDA 없이 FAU 및 LTA 제올라이트의 합성 경로를 예측했습니다. DiffSyn으로 생성된 합성 경로는 기존 문헌에 보고된 경로와 매우 일치했습니다. 특히,DiffSyn은 OSDA 없이도 FAU와 LTA 사이의 상 경계 영역을 정확하게 예측하여 경쟁하는 상 형성을 위한 합성 공간을 명확하게 정의했습니다.이 결과는 DiffSyn이 구조-합성 관계를 정확하게 포착할 뿐만 아니라 합성-구조 간의 결정 경계를 역으로 규명할 수 있음을 보여주며, 따라서 상 선택적 합성에 대한 잠재력을 입증합니다. 또한, DiffSyn은 높은 일반화 및 적용성을 지니고 있어 다양한 제올라이트 구조와 그에 상응하는 화학 시스템에 적용될 수 있습니다.

최적 합성 경로 생성 검증

합성 경로 생성과 최적의 합성 경로 계획은 동일한 문제의 두 가지 측면입니다. 이를 해결하기 위해 연구팀은 DiffSyn이 후자를 달성하는 능력을 평가했습니다.

본 실험에서는 트리메틸아다만튬암모늄(TMAda)을 유기 구조 유도제로 사용하여 CHA형 제올라이트를 합성하고, 다양한 조합 경로를 생성하여 해당 전구체 비용 및 결정화 시간을 계산했습니다. 아래 그림을 참조하십시오. DiffSyn에서 생성된 부분적인 Praeto 최적 경로는 문헌에 보고된 가장 저렴한 20가지 합성 경로에 비해 결정화 시간이 더 짧고 전구체 비용이 더 낮습니다.

마침내,연구팀은 DiffSyn을 이용한 UFI형 제올라이트 생성 합성 경로를 실험적으로 검증하고, 네 가지 UFI형 제올라이트 소재를 성공적으로 합성했습니다.UFI형 제올라이트 합성을 위해 연구팀은 Kryptofix 222(K222)를 OSDA로 선택했는데, 이는 해당 시스템이 훈련 데이터에 나타나지 않아 DiffSyn의 일반화 능력을 테스트하는 데 유리하기 때문이다.

DiffSyn은 1000개의 합성 경로를 생성했으며, 아래 그림에서 볼 수 있듯이 이 경로들의 분포는 기존에 보고된 모든 제올라이트 합성 경로 분포의 부분 공간 내에 위치합니다. 또한, 본 연구는 대부분의 경쟁 결정상이 목표 결정상과 공통된 복합 구조 단위를 공유하지 않는다는 사실을 밝혀냈으며, 이는 구조-합성 관계의 복잡성과 구조 단위만으로는 설명할 수 없다는 점을 확인시켜 줍니다.

실험 결과, 합성된 시료의 분말 X선 회절 패턴이 시뮬레이션 패턴과 매우 잘 일치하는 것으로 나타났다.얻어진 결정은 UFI형 제올라이트 구조임이 확인되었으며, ICP로 측정한 실리콘 대 알루미늄 비율은 19.0으로, 현재까지 보고된 UFI형 제올라이트 합성에서 가장 높은 값 중 하나이다.

더욱 중요한 것은, 연구팀이 이상적인 합성 결과를 얻기 위해서는 DiffSyn과 인간 전문가 간의 협력이 필수적이라고 강조했으며, 결정화 온도 사례를 통해 이를 검증했다는 점입니다. 결론적으로, 모델은 합성 경로를 제시하고, 인간 전문가는 자신의 경험을 바탕으로 수정 및 결정을 내립니다. 이는 향후 재료 합성 계획에 인공지능을 적용하는 데 있어 핵심적인 요소가 될 수 있습니다.

이 "레시피북"은 다양한 재료를 사용하여 "무엇을 합성해야 하는지"와 "어떻게 합성해야 하는지"를 연결합니다.

재료 합성 분야와 인공지능 분야의 융합이 심화됨에 따라, 재료 합성 분야가 지능화, 정밀성 향상, 통합화 단계로 나아가는 데 가속화 요인이 되고 있습니다.

첫째, 인공지능, 특히 생성형 인공지능의 활발한 발전은 재료 합성 데이터베이스 구축을 가속화하고 있습니다. 특히 산업계에서는 구글, 메타와 같은 기술 대기업들이 생성형 인공지능에 대규모 투자를 하여 방대한 재료 합성 공식 데이터베이스를 구축했습니다. 이러한 공식들은 이론적으로 재료 합성 및 혁신을 위한 풍부한 토대를 제공합니다.

또한, 관련 데이터베이스는 특히 학계와 연구 분야의 집중적인 개발을 통해 특정 하위 분야에 맞춰 지속적으로 개선되고 풍부해지고 있습니다. 예를 들어, 본 연구에 앞서 연구팀은 이미 제올라이트 물질의 장기 추적 연구를 수행한 바 있습니다. 기존에 공개된 제올라이트 합성 데이터베이스의 규모와 수가 제한적이라는 문제점을 해결하기 위해, 연구팀은 23,961개의 제올라이트 수열합성 경로를 포함하는 ZeoSyn 데이터셋을 제안했습니다. 동시에, 연구팀은 합성 경로가 주어졌을 때 제올라이트를 예측하는 머신러닝 분류기를 개발하여 70%의 정확도를 달성했습니다. 이는 연구팀의 향후 연구를 위한 견고한 토대와 강력한 이론적 기반을 마련했습니다.

* 논문 제목:

ZeoSyn: 수열 합성 매개변수의 기계 학습적 합리화를 가능하게 하는 포괄적인 제올라이트 합성 데이터 세트
* 서류 주소:https://dspace.mit.edu/handle/1721.1/164092

재료 합성 공식 데이터베이스는 마치 '레시피'의 '메뉴'와 같습니다. 앞서 언급했듯이 '메뉴'만으로는 '조리법'이 필수적입니다. 회귀 모델, 생성 모델, 확산 모델을 적용하는 것은 연구자들이 맛있는 요리를 끊임없이 탐구하고 혁신하는 과정과 같습니다. 이러한 인공지능 기술의 적용은 '메뉴'에 있는 각 요리에 다양한 '조리법'을 더해 궁극적으로 '레시피'를 완성하는 것과 같습니다.

마지막으로, 물질 합성 과정은 요리와 유사하지만, 동시에 매우 다릅니다. 일반적인 요리와 비교했을 때, 물질 합성에 성공할 때마다 얻는 가치는 단순히 맛있는 요리 한 접시 이상의 의미를 지닙니다. 새로운 물질의 탄생은 미지의 세계로 향하는 문을 열어줄지도 모르며, 그 안에는 인류 문명과 시대의 발전을 이끌어갈 무한한 가능성이 담겨 있습니다.