Generative cellular automata (GCA) model (생성형 셀룰러 오토마타 모델)

결정 성장에 대한 딥러닝 계산 모델: 국소 업데이트 규칙이 학습된 신경망인 셀룰러 오토마톤. helicoid를 위해 Im et al., Nat. Mater. (2024)에서 도입되었다.

Schema note: 계산 모델/도구에 대해 기존 타입 중 가장 가까운 것으로 mechanisms/에 분류함(스켈레톤에는 model/tool/method 타입이 없음). 인간 검토를 위해 log.md에 플래그됨(Bragg-coherent-diffraction-imaging과 함께 반복됨).

작동 방식 (from Im et al., Nat. Mater. (2024))

• 입자 표면은 셀의 희소 3D 격자(50³)이며; 성장 = 셀 채우기(adatom/cluster 추가). 각 셀은 자신의 3×3×3 이웃만 보는 **확률적 전이 커널(probabilistic transition kernel)**로 업데이트된다 — 즉 희소 합성곱 신경망(sparse convolutional neural network)(MinkowskiEngine).
• 커널은 미리 정의된 물리 없이 infusion training을 통해 **세 가지 SEM 형태(씨앗, 중간, 최종)**로 학습된다. 각 성장 조건(펩타이드, 용액) ↔ 하나의 학습된 규칙. 각 셀 ≈ 단일 원자가 아닌 하나의 금 클러스터.
• GCA가 생성한 기하 구조에 대한 FDTD가 측정된 CD(circular-dichroism-spectrum)를 재현하여 모델을 검증한다.

무엇을 산출하는가

두 개의 학습된 규칙 → chiral-morphogenesis-pathway (RDH3 및 CBH₁). 모델은 보간을 넘어 관측되지 않은 일방향 교차(one-way crossover)를 예측했고 이는 이후 실험적으로 확인되었다 — 모델이 실제 메커니즘을 포착했다는 증거이다.

왜 중요한가

희소한 현미경 데이터로부터 3D 카이랄 결정 성장 규칙을 학습하는, 물리에 의존하지 않는 일반적 프레임워크 — 생체광물화(biomineralization), 나사 전위(screw-dislocation) 뒤틀림, 나노입자 조립으로 일반화 가능하다. 원자 수준 판독은 enantioselective-kink-binding / asymmetric-RS-boundary-growth(S-카이랄 kink 확장이 카이랄성을 유도함)를 확인한다.