분자 시스템에서 드물게 일어나는 화학 반응 사건의 경로와 메커니즘을 데이터 기반으로 자동 발견하는 ‘플럭스 매칭(Flux Matching)’ 프레임워크가 제안됐다. 화학 시뮬레이션 분야에서는 준안정 상태(metastable states) 사이의 전이를 포착하는 경로 샘플링 방법이 활발히 연구되어 왔지만, 생성된 반응 궤적 데이터에서 실제 반응 메커니즘을 추출하는 과정은 여전히 어려운 과제로 남아 있었다. 플럭스 매칭은 이 문제를 반응 궤적 데이터에서 두 가지 보완적 정보를 직접 학습하는 방식으로 접근한다.
프레임워크의 핵심은 흐름 속도 u(z)와 스칼라 포텐셜 h(z)를 함께 학습하는 것이다. 흐름 속도의 스트림라인은 지배적 반응 경로를 추적하며, 스칼라 포텐셜은 반응 전류의 가중 헬름홀츠-호지 분해(weighted Helmholtz-Hodge decomposition)로부터 도출되어 데이터 기반 반응 좌표(reaction coordinate)로 기능한다. 두 요소 모두 반응 경로 앙상블에 대한 이차 범함수를 최소화하는 방식으로 학습되는데, 이는 생성 모델 분야의 플로우 매칭(flow matching) 손실 함수와 유사한 구조를 갖는다. 특히 이 방법은 기저 역학이나 정지 분포에 대한 사전 지식 없이 작동하며, 비마르코프(non-Markovian) 집합 변수에 대한 투영 아래서도 u와 h가 잘 정의된다는 장점을 지닌다.
플럭스 매칭은 기존의 커미터(committor) 기반 방법과 달리 비마르코프 변수 환경에서도 반응 좌표가 명확히 정의되며, 이렇게 구한 등위면(level sets)은 향상 샘플링 기법과 결합해 적응적 계면을 제공할 수 있다. 연구팀은 분자 시스템에서 플럭스 매칭을 통한 흐름 속도 궤적 생성과 속도 상수 계산 실험을 통해 프레임워크의 유효성을 검증했다. 이 연구는 물리화학 시뮬레이션에 생성 모델의 학습 방식을 접목한 사례로, 단백질 폴딩이나 화학 반응 메커니즘 규명 같은 계산화학 영역의 난제에 새로운 접근 경로를 열 수 있다는 점에서 주목된다.
