핵심 요약

분자동역학은 원자 하나하나에 걸리는 힘을 계산하고 뉴턴의 운동방정식을 수치적으로 풀어, 시간에 따라 원자가 어디로 움직이는지를 추적한다. 이렇게 얻은 위치와 속도의 시계열, 곧 궤적이 신약 후보물질 스크리닝이나 신소재 발견, 촉매 설계의 바탕 데이터가 된다. 실험실 대신 컴퓨터가 데이터를 찍어내는 셈이다.

문제는 시간 간격이다. 원자의 진동은 펨토초(10⁻¹⁵초) 단위로 일어나고, 운동방정식을 안정적으로 적분하려면 그 진동보다 훨씬 짧은 간격, 보통 0.5~1펨토초로 시간을 잘게 쪼개야 한다. 나노초 규모의 현상 하나를 보려면 이 계산을 수백만 번 반복해야 한다는 뜻이다. 그리고 매 걸음마다 힘을 처음부터 다시 구한다.

최근 MACE, NequIP, Allegro 같은 머신러닝 포텐셜(MLIP)이 이 힘 계산 자체를 빠르게 만들었다. 하지만 시간 간격을 잘게 쪼개야 한다는 제약은 그대로 남았다. 힘을 아무리 빨리 구해도, 여전히 펨토초마다 한 번씩 구해야 하는 구조이기 때문이다. TrajCast는 바로 이 지점에서 다른 길을 택한다.

TrajCast의 아이디어는 사슬을 끊는 것이다. 기존 방식은 힘을 구하고, 그 힘에서 가속도를 얻고, 가속도를 적분해 다음 위치를 얻는다. TrajCast는 이 사슬을 건너뛰고, 시간 t의 위치와 속도를 입력받아 시간 t+Δt의 위치와 속도를 신경망이 직접 출력한다. 힘이라는 중간 단계가 아예 없다. 그래서 이름도 힘 없는(force-free) 분자동역학이다.

이 구조 덕분에 한 걸음의 시간 간격 Δt를 기존 MD 타임스텝의 10~30배까지 벌릴 수 있다. 파라세타몰 분자는 7펨토초, α-쿼츠 결정은 30펨토초, 물은 5펨토초 간격으로 한 번에 건너뛴다. 같은 나노초를 시뮬레이션할 때 계산 걸음 수가 그만큼 줄어든다.

2.1물리 법칙을 구조에 새긴다

신경망이 아무 값이나 내놓으면 물리적으로 말이 안 되는 궤적이 나온다. TrajCast는 등변성(equivariance)을 신경망 구조 자체에 내장해 이를 막는다. 계 전체를 회전하거나 평행이동하면 위치와 속도도 그에 맞춰 똑같이 변환되도록 설계한 것이다. 대칭성을 데이터로 배우게 하는 대신 아키텍처에 새겨 넣어, 물리 법칙을 어기는 출력이 애초에 나오지 않도록 한다. 여기에 온도를 일정하게 유지하는 열조절기를 붙여, 정온 조건(NVT)에서 볼츠만 분포를 따르는 샘플링을 지킨다.

저자들은 세 가지 계에서 성능을 검증했다. 작은 유기분자(파라세타몰), 결정질 고체(α-쿼츠), 액체(물)다. 정확도의 기준은 같은 조건에서 돌린 정통 MD 시뮬레이션이었다. 아래 수치는 arXiv 프리프린트 판(v1)을 기준으로 한다.

가장 눈에 띄는 대목은 학습 데이터의 길이다. 세 계 모두 학습에 쓴 궤적은 1나노초에도 못 미친다. 파라세타몰과 쿼츠는 100피코초, 물은 50피코초뿐이다. 그런데 생성 단계에서는 그보다 수백 배 긴 궤적을 안정적으로 굴려낸다. 짧게 배운 뒤 오래 이어 그리는 이 시간축 외삽이 이 논문의 핵심 성과다.

데이터를 아끼는 정도도 두드러진다. 저자들은 유기분자를 기준으로 TrajCast의 학습곡선이 기존 머신러닝 포텐셜보다 약 네 배 가파르다고 보고한다. 같은 정확도에 이르는 데 필요한 학습 데이터가 그만큼 적다는 뜻이다. 힘이라는 중간 표적을 배우지 않고 다음 상태를 곧바로 겨냥한 설계가, 속도뿐 아니라 데이터 측면에서도 이득으로 돌아온 셈이다.

속도는 공짜가 아니었다. 저자들은 논문에서 이 방식의 대가를 정직하게 적어 두었고, 그 목록은 그대로 낙관에 브레이크를 거는 지점이 된다.

• • 압력을 계산할 수 없다. 힘을 거치지 않는 구조라 압력이라는 물리량이 나오지 않는다. 압력을 조절하는 정압(NpT) 앙상블 시뮬레이션 자체가 불가능해, 열팽창이나 압력 유도 상전이 연구에는 아직 쓸 수 없다.
• • 예측 간격이 고정돼 있다. 현재 버전은 한 번에 정해진 Δt 하나만 내다본다. 여러 시간 간격을 함께 다루는 것은 향후 과제로 남았다.
• • 검증이 단일 온도에 머문다. 성능 확인은 모두 300K에서 이루어졌다. 저온이나 상전이 근처, 여러 화학 조성을 섞은 경우는 확인되지 않았다.
• • 속도 오차에 민감하다. 상대 속도의 평균절대오차가 약 4.64%를 넘어서면 안정성이 급격히 무너진다. 같은 오차 수준에서도 기존 MLIP보다 흔들림이 크다.
• • 긴 시간축에서 오차가 쌓인다. 물 시스템에서 평균제곱변위가 시간이 갈수록 기준 MD와 조금씩 벌어졌다. 저자들도 오차 누적의 결과일 수 있다고 적었다.

과학용 데이터의 다음 국면은 데이터를 찾아 정리하는 단계를 넘어, 모델이 직접 대량으로 생성하는 쪽으로 넘어가고 있다. TrajCast의 합성 궤적이 그렇고, 월드모델이 만드는 합성 영상이나 로봇 학습용 궤적도 구조가 같다. 실험이 아니라 모델이 데이터를 찍어낼 때, 그 데이터의 물리적 타당성은 실험 없이 어떻게 확인하는가라는 질문이 공통으로 남는다.

여기서 앞서 본 다섯 가지 한계가 다르게 읽힌다. 저자가 적어 둔 한계 목록은 사실 합성 궤적 데이터를 받았을 때 확인해야 할 점검표로 그대로 옮길 수 있다. 압력처럼 힘에서 파생되는 물리량이 필요한 분석인가, 검증된 온도 범위 안에서 쓰고 있는가, 궤적이 길어질수록 기준과 벌어지지는 않는가. 빨라졌다는 사실과 믿을 수 있다는 판단은 서로 다른 축이다.

이 구분이 특히 중요한 이유가 있다. 검증 절차 없이 합성 궤적을 그대로 다음 연구의 학습 데이터로 재사용하면, 작은 오차가 세대를 거치며 누적되고 증폭될 수 있다. AI가 과학 데이터를 생산하는 만큼, 그 데이터가 물리적으로 옳은지를 재는 절차도 함께 있어야 한다. TrajCast는 그 두 축이 별개라는 사실을 속도와 한계를 나란히 보여주며 확인시켜 준다.

• 1.Thiemann, F. L., Reschützegger, T., Esposito, M., Taddese, T., Olarte-Plata, J. D., & Martelli, F. (2026). "Force-free molecular dynamics through autoregressive equivariant networks." Nature Machine Intelligence. DOI: 10.1038/s42256-026-01227-7.
• 2.Thiemann, F. L. et al. (2025). "Force-Free Molecular Dynamics Through Autoregressive Equivariant Networks." arXiv:2503.23794 (프리프린트, 본문 수치의 출처).
• 3.IBM Research. "IBM/trajcast." GitHub (Apache-2.0, 사전학습 모델·데이터셋 공개).