KinFormer: 촉매 유기 반응 동역학을 위한 일반화 가능한 역동적 기호 회귀

반응 역학 방정식을 모델링하는 것은 화학 반응의 메커니즘을 이해하는 데 필수적이지만, 복잡하고 시간이 많이 소요되는 작업입니다. 역학적 기호 회귀(DSR) 문제로 정식화된 역학 방정식 예측은 물리화학 제약 조건을 준수해야 합니다. 딥러닝(DL)은 화학물질 데이터에서 반응 패턴을 포착하고 역학 방정식을 예측하여 경험적 편향을 효과적으로 피하고 전통적인 해석 방법보다 효율성을 개선할 잠재력을 가지고 있습니다. 그러나 DSR에 중점을 둔 많은 연구와 상미분 방정식 예측에 트랜스포머를 도입한 연구에도 불구하고, 해당 모델들은 다양한 반응 범주에서 일반화 능력이 부족합니다. 본 연구에서는 이러한 문제를 해결하기 위해 일반화 가능한 역학 방정식 예측 모델인 KinFormer를 제안합니다. KinFormer는 조건부 트랜스포머를 사용하여 물리 제약 조건 하에서 DSR을 모델링하며, 몬테카를로 트리 탐색(Monte Carlo Tree Search) 알고리즘을 활용하여 새로운 유형의 반응에 모델을 적용합니다. 20종류의 유기 반응에 대한 실험 결과는 KinFormer가 고전적인 기준모델뿐만 아니라 영역 외 평가에서도 트랜스포머 기준모델을 초월함으로써 그 일반화 능력을 입증하였습니다.