클레이프레온 신경망을 활용한 단일성분 기체‑액체 평형 예측

본 논문은 화학공정 설계에 필수적인 순수 성분 물성(증기압, 액·증기 몰부피, 기화 엔탈피)을 예측하기 위해, 그래프 신경망(GNN)과 열역학 방정식인 클레이프레온 방정식을 결합한 새로운 모델인 Clapeyron‑GNN을 제안한다. 기존 머신러닝 기반 물성 예측은 실험 데이터가 부족하고, 예측값이 열역학적 일관성을 위배한다는 두 가지 주요 한계에 직면해 있다. 이를 극복하기 위해 저자들은 (1) 분자 구조를 그래프 형태로 직접 입력해 피처 엔지니어링을 최소화하고, (2) 클레이프레온 방정식을 손실 함수에 정규화 항으로 삽입해 네 물성 간의 물리적 관계를 소프트 제약 형태로 학습에 반영한다. 데이터는 NIST ThermoData Engine에서 추출한 879종의 유기물(아민, 에스터, 알코올, 카복실산, 케톤, 페놀, 니트로 화합물, 아마이드 등)로 구성되며, 온도 범위는 56.75 K부터 1021 K까지이다. 전체 데이터 포인트는 102 121개이며, 물성별로 크게 불균형한다. 증기압(≈78 840점)과 액체 몰부피(≈43 056점)는 풍부하지만, 증기 몰부위(≈2 206점)와 기화 엔탈피(≈1 057점)는 매우 희소하다. 이러한 데이터 불균형은 다중과제 학습(MTL)의 효과를 검증하기에 적합한 환경을 제공한다. 모델 구조는 다음과 같다. 분자 그래프는 여러 그래프 컨볼루션 레이어를 거쳐 64 ~ 128 차원의 피처 벡터(“fingerprint”)로 압축된다. 온도는 선형 정규화 후 피처 벡터와 연결(concatenation)되어 최종 다층 퍼셉트론(MLP)으로 전달된다. 손실 함수는 L_total = L_data + λ·L_Clapeyron 형태이며, L_data는 각 물성에 대한 로그 스케일 RMSE, L_Clapeyron은 클레이프레온 방정식 위반 정도를 제곱 평균으로 정의한다. λ는 정규화 강도를 조절하는 하이퍼파라미터로, 0.1, 0.5, 1 중 탐색했으며, 실험에서는 λ = 0.1이 가장 안정적인 학습을 제공한다. 성능 평가는 세 가지 모델을 비교한다. (1) STL‑GNN: 각 물성을 별도 모델로 학습하는 단일과제 방식, (2) MTL‑GNN: 동일한 GNN 구조를 공유하면서 네 물성을 동시에 학습하는 순수 데이터 기반 다중과제 모델, (3) Clapeyron‑GNN: MTL‑GNN에 클레이프레온 정규화를 추가한 물리‑정보 모델. 각 모델은 10번의 랜덤 시드 반복 실험을 통해 평균 및 표준편차를 보고한다. 주요 결과는 다음과 같다. 데이터가 풍부한 증기압과 액체 몰부피는 STL과 MTL 사이에 큰 차이가 없으며, 모두 RMSE≈0.26, MAE≈0.14, R²≈0.97 수준을 기록한다. 반면 데이터가 희소한 증기 몰부피와 기화 엔탈피는 MTL‑GNN이 STL‑GNN에 비해 RMSE가 각각 0.31→0.17, 0.15→0.11로 크게 개선된다. 이는 다중과제 학습이 관련 물성 간의 상관관계를 활용해 희소 데이터에 대한 일반화를 촉진함을 의미한다. 클레이프레온 정규화를 도입한 Clapeyron‑GNN은 예측 정확도 면에서는 MTL‑GNN과 거의 동등하지만, 클레이프레온 오류(L_Clapeyron)는 0.007(±0.005)로 MTL‑GNN의 0.138(±0.050)보다 두 자릿수 이상 감소한다. 즉, 물성 간의 열역학적 일관성을 크게 향상시켰다. 활성함수 선택에서도 차이가 있었으며, LeakyReLU가 SiLU보다 데이터 적합도(RMSE)에서는 우수했지만, SiLU는 더 부드러운 온도 의존성을 제공하고 클레이프레온 오류는 약간 낮았다. 최종적으로 LeakyReLU를 채택해 전체 성능을 최적화하였다. 시각적 분석(Parity plot, p‑V plot)에서는 두 모델 모두 온도에 따른 추세를 잘 포착했으나, 일부 분자에서는 고온·저온 구간에서 체계적인 오프셋이 관찰되었다. 특히 임계점 근처(몰부피 < −3.5 로그값)에서는 증기 몰부피를 과대평가하는 경향이 있었으며, 이는 실험 데이터 자체가 희소하고 물성 변화가 급격하기 때문으로 해석된다. 결론적으로, 클레이프레온 정규화를 포함한 다중과제 GNN은 (1) 데이터가 부족한 물성에 대한 예측 정확도를 크게 향상시키고, (2) 열역학적 일관성을 보장함으로써 물리적 신뢰성을 높이며, (3) 기존 순수 데이터 기반 MTL‑GNN 대비 추가적인 계산 비용이 거의 없다는 장점을 가진다. 이러한 특성은 새로운 화합물에 대한 빠른 물성 추정이 요구되는 화학공정 설계, 신물질 개발, 그리고 데이터가 제한적인 실험 환경에서 특히 유용할 것으로 기대된다.