신에너지자동차 배터리부터 태양전지, 컴퓨터 칩 등 많은 분야에서 일단 신소재가 발견되면 의심할 여지 없이 기술 차원의 돌파를 가속화할 수 있다.그러나 신소재의 연구개발은 일반적으로 과학자들이 수개월, 심지어 수년의 시간을 들여 반복적인 실험과 검증을 진행해야 한다.그러나 구글 산하 딥마인드가 최근 발표한 한 연구는 많은 과학기술 분야에서 신소재의 응용 속도를 크게 가속화할 것으로 보인다.
구글 딥마인드 연구진은 인공지능 도구'재료탐색 그래픽네트워크(이하 GNOME)'를 통해 220만 가지에 달하는 이론적으로 안정적이지만 실험에서는 아직 구현되지 않은 결정 구조의 대부분을 발견했으며, 이 성과는 11월 29일 저널'네이처(Nature)'에 실렸다.
GNoME가 발견한 결정구조의 수량은 과학사에서 발견된 이런 물질의 수량의 45배 이상이며 업계에서는 이 기술이 재생가능에너지와 선진계산칩 등 분야의 발전에 새로운 경로를 제공한다고 인정하고있다.
GNoME 안정성 예측 정밀도는 반복 학습에서 빠르게 향상됩니다.
GNoME로 불리는 이 인공지능 모델은 어떤 재료가 특별한 성질을 가질 수 있도록 무기결정 구조, 즉 원자의 반복 배열을 예측하기 위한 것으로 알려졌다.지금까지 인류가 알려진 것은 약 48000종의 무기결정체뿐이다.
이번 GNOME 모델은 이 숫자를 최대 220만 종으로 확장했다.딥마인드에 따르면, 이 220만 종의 새로운 결정 구조 중 38만 개의 안정적인 결정 구조가 실험을 통해 합성될 것으로 기대되며, 실제 응용 전망이 있으며, 초전도 재료와 차세대 배터리 재료 등'미래의 변혁적인 기술'을 발전시킬 수 있다.GNoME는"인류가 알고 있는 안정적인 재료에서 양적 확장을 실현하여 약 800년 동안 혁명적인 잠재력을 가진 신소재를 발견했다."
더 많은 새로운 재료를 발견하기 위해 DeepMind 팀은 두 가지 다른 딥 러닝 모델을 결합했습니다.첫 번째는 기존 재료의 요소를 수정하여 10 억 개 이상의 구조를 생성했습니다.두 번째 방법은 기존의 재료 구조를 떠나 완전히 화학식에 따라 신소재의 안정성을 예측하는 것이다.이 두 가지 딥 러닝 모델의 결합은 새로운 재료의 발견에 더 광범위한 가능성을 제공합니다.
후보자에 대한 새로운 재료 구조가 생성되면 연구자들은 GNoME 모델을 통해 필터링합니다.이 모델은 재료의 안정도를 측정하는 중요한 지표인 특정 구조의 분해 에너지(decomposition energy)를 예측할 수 있다."안정적이고"분해하기 쉬운 재료만이 공업용도에 중요한 의의를 산생할수 있다.따라서 GNoME는 가장 응용 가능성이 높은 재료를 예측하고 선택하며 알려진 이론적 프레임워크에 따라 추가 평가를 수행합니다.
이 같은 과정은 딥마인드 팀에 의해 여러 차례 반복되며 매번 발견할 때마다 다음 훈련에 포함될 것으로 알려졌다.1차 테스트에서 GNOME는 재료별 안정성을 예측하는 정밀도가 5% 정도에 그쳤지만, 전체 반복 학습 과정에서 GNOME의 예측 정밀도가 빠르게 향상됐다.최종 결과 GNoME는 첫 번째 모델에서는 구조적 안정성을 예측하는 정밀도가 80%를 넘었고, 두 번째 모델에서는 33%까지 높아졌다.
새로운 구조의 일부는 더 안정적인 형태로 쇠퇴하거나 완전히 생성 될 수 없지만 DeepMind 팀은 염기성 금강석 샘플 광학 재료 (Li4MgGe2S7) 와 잠재적 인 초전도체 (Mo5GeB2) 를 포함하여 실험실에서 발견 된 736 개의 새로운 재료를 성공적으로 만들어 현재 테스트하고 있습니다.
딥마인드의 이 같은 논문 공동 저자 중 한 명인 재료 개발 책임자 도거스 쿠벅은"내게 재료 과학은 기본적으로 추상적 사고와 물리적 우주의 합류점"이라며"어떤 기술이 더 좋은 재료로 인해 개선되지 않을지 상상하기 어렵다"고 말했다."
Ju Li MIT 재료과학 및 공학 교수는 GNoME가 재료 발견 분야의"알파 폴드"로 간주 될 수 있다고 생각합니다.'알파폴드'는 딥마인드가 2020년 선보인 인공지능 시스템으로 단백질 구조를 고정밀도로 예측하고 생체 연구와 약물 발견에 큰 진전을 이뤘다.Ju Li에 따르면 GNoME의 강력한 능력 덕분에 인류가 알고 있는 안정적인 재료의 수는 42만 1천 종으로 10배 가까이 증가했다.
GNoME는 응용 가능성이 있는 리튬이온 도체 500여 종을 발견했다
매일경제신문 기자는 인공지능 모델을 이용한 신소재 제조가 딥마인드가 처음 만든 것이 아니라는 점에 주목했다. 미국 로렌스버클리 국립실험실 크리스틴 퍼슨이 이끄는'소재 프로젝트 (Materials Project)'는 이미 비슷한 기술을 사용해 48000개 재료의 안정성을 발견하고 향상시켰다.이 실험은 GNoME의 일부 발견을 포함하여 재료 데이터베이스에서 데이터를 얻고 기계 학습과 로봇 팔을 사용하여 인간의 개입 없이 새로운 재료를 설계합니다.
그러나 GNoME가 발견한 신소재는 규모와 정밀도에서 로렌스버클리 국립실험실의 작업과 구별된다.
미네소타 대학의 화학 공학 및 재료 과학 조교수 인 크리스 바텔 (Chris Bartel) 은 GNOME의 훈련 데이터가 이전의 어떤 모델보다 적어도 한 단계 더 많다고 생각합니다.메릴랜드대 재료과학공학과 Yifei Mo 부교수도"이전에 비슷한 연구를 하는 것은 비용이 많이 들 뿐만 아니라 규모도 제한적이었다"며"GNoME는 이러한 신소재의 발견을 더 높은 정밀도와 더 낮은 계산 비용으로 확장할 수 있다"며"영향이 클 수 있다"고 지적했다."
더 중요한 것은 DeepMind 팀이 버클리 국립 연구소와 협력하여 A-Lab이라는 새로운 결정체를 자율적으로 합성 할 수있는 로봇 연구소를 만들었다는 것입니다.새로운 재료가 발견되면 이 재료들을 합성하여 그것들의 용도를 검증하는 것도 마찬가지로 중요하다.A-Lab도 GNoME의 일부 발견과 그"재료프로젝트"성과를 결합시켜 곧 로보트기술과 기계학습을 결합시켜 이런 재료의 후속개발을 최적화해왔다.
DeepMind와 버클리 연구소의 연구자들은 이러한 새로운 인공 지능 도구가 에너지, 컴퓨터 및 기타 많은 분야의 하드웨어 혁신을 가속화하는 데 도움이 될 수 있다고 말했다.예를 들어 리튬이온전지 도체는 GNOME 인공지능 모델이 발견한 신소재 중 가장 응용 전망이 밝은 사례 중 하나다.DeepMind에 따르면 GNoME는 528종의 응용전망이 있는 리튬이온도체를 발견했는데 그중 일부는 전동차전지의 효률을 제고하는데 도움이 될수 있다.
그러나 새로운 재료가 발견 된 후에도 일반적으로 상업적 응용 단계로 전환하는 데 수십 년이 걸립니다.Dogus Cubuk은 기자 회견에서"이것을 발견에서 적용에 이르는 과정을 5 년으로 단축 할 수 있다면 큰 진보가 될 것"이라고 말했다.