Optimizing the Optimizer: Language Models Discover Faster Molecular Relaxation

Geometry optimization is a major cost in many quantum-chemical workflows: each optimization step requires one force evaluation, and at the density-functional level that evaluation dominates the wall time. Research in this area has produced a broad range of optimization methods, and we ask whether a language model can improve on the best of them through autoresearch. An agent rewrites the optimizer itself to minimize force-call counts, restrained by two admission gates that reject premature stopping and improvements that do not generalize to unseen molecules. Starting from Sella, the fastest open-source optimizer available, the search produces AutoSella, a family of two optimizers. Both of them deliver consistent force-call reductions relative to Sella across held-out molecular benchmarks and potentials not used during the search. Most notably, at the r2SCAN-3c DFT level, the best variant requires only 40.2--77.2% of Sella's force calls while achieving the same energy reduction, even though agent used no DFT gradients.

한 줄 요약

AutoSella는 언어 모델 기반 자동 연구를 통해 개선된 분자 기하 최적화 알고리즘으로, Sella 대비 40.2–77.2% 적은 힘 평가 수를 요구한다.

핵심 기여도

**gated autoresearch loop**를 도입하여 최적화 알고리즘 개선을 자동화.
**AutoSella-F**와 **AutoSella-A**라는 두 개의 최적화 알고리즘을 Claude Fable 5.1과 GPT-6 Astra를 사용해 도출.
**r2SCAN-3c DFT** 수준에서 Sella 대비 **40.2–77.2% 적은 힘 평가 수**로 동일한 에너지 감소를 달성.
**GFN2-xTB**, **GFN-FF**, **r2SCAN-3c** 등 다양한 퍼텐셜에서 일반화 성능 검증.

핵심 아이디어

기존 최적화 알고리즘(Sella)을 기반으로 언어 모델이 코드를 수정하고, 힘 평가 수를 줄이는 방향으로 진화시킨다. 이 과정은 두 가지 **admission gate**를 통해 제어된다:
1. **validity gate**는 조기 종료나 에너지 감소가 Sella보다 낮은 후보를 거부.
2. **generalization gate**는 새로운 분자에서 일반화되지 않는 후보를 거부.

이러한 제약 하에 **AutoSella-F**는 **GFN2-xTB**에서 훈련되었지만, **r2SCAN-3c DFT** 수준에서도 힘 평가 수를 23–60% 줄이며 에너지 회복률을 높였다. 이는 기존 수작업 최적화 접근법을 초월하는 **자동 알고리즘 진화**의 가능성을 보여준다.

기술적 접근법

**Sella v2.5.0**을 초기 최적화 알고리즘으로 사용.
**Claude Fable 5.1 (Max)**와 **GPT-6 Astra (High)**를 사용한 두 독립적인 자동 연구 실행.
**GFN2-xTB** 퍼텐셜로 훈련 후, **GFN-FF**와 **r2SCAN-3c DFT**로 일반화 성능 검증.
**Redis task queue**와 **192개 CPU 워커**를 활용한 분산 평가 시스템.
**diagnostics command**를 통해 실패한 최적화 후보의 수치적 증거를 수집하고 분석.

주요 결과

**r2SCAN-3c DFT** 수준에서 **AutoSella-F**는 Sella 대비 **40.2–77.2% 적은 힘 평가 수**로 동일한 에너지 감소 달성.
**500개 PubChem 분자**, **673개 디펩티드**, **475개 아미노산-리간드 쌍**, **100개 용해된 PubChem 시스템**에서 일반화 성능 검증.
**GFN2-xTB**, **GFN-FF**, **r2SCAN-3c** 퍼텐셜 모두에서 힘 평가 수 감소.
**AutoSella-F**는 **23–60% 적은 힘 평가 수**로 **더 높은 평균 에너지 회복률** 달성.

의의 및 한계

**DFT 최적화의 계산 비용**을 줄이는 데 기여하며, **자동 알고리즘 개발**의 새로운 패러다임 제시.
**저비용 퍼텐셜(GFN2-xTB)**을 사용한 자동 연구가 고비용 DFT로 일반화 가능함을 입증.
한계로는 **DFT에서의 실패율**(non-convergence)이 Sella보다 높다는 점이 언급됨.
**Grok-4.6**을 사용한 추가 실험은 부록에 제시되며, 결과는 주요 분석에 포함되지 않음.

실용적 활용

AutoSella는 **DFT 기반 분자 시뮬레이션**, **약물 설계**, **재료 과학** 등에서 **최적화 비용을 줄이는 데 활용** 가능하다. 특히 **대규모 분자 시스템**이나 **복잡한 화학 환경**에서 효율성을 발휘할 수 있다.