무기 결정은 현대 기술의 중요한 구성 요소이다. 고도로 정렬된 원자 구조는 배터리부터 태양광 패널, 마이크로칩, 초전도체에 이르기까지 모든 분야에 사용할 수 있는 고유한 화학적, 전자적, 자기적 또는 광학적 특성을 제공한다.

기존 기술을 향상시키거나 새로운 기술을 강화하기 위해 실험실에서 새로운 무기 결정을 제작하는 것은 이론적으로 매우 간단하다. 연구원은 조건을 설정하고 절차를 실행하며 실패를 통해 다음에 조건을 조정하는 방법을 알린다. 새롭고 안정된 재료가 나올 때까지 헹구고 반복한다.

그러나 실제로는 이 과정에 엄청난 시간이 소요된다. 전통적인 방법은 알려진 결정 구조를 조정하거나 어둠 속에서 촬영하는 시행착오 추측에 의존한다. 비용이 많이 들고, 몇 달이 걸릴 수 있으며, 문제가 발생하면 연구자들은 방법과 이유에 대해 거의 알 수 없다.

로렌스 버클리 국립 연구소(Lawrence Berkeley National Laboratory)에 설립된 공개 액세스 데이터베이스인 재료 프로젝트(Materials Project)에 따르면 인간의 실험을 통해 약 20,000개의 무기 결정이 발견되었다. 지난 10년 동안 연구자들은 계산 방법을 사용하여 그 수를 48,000개까지 늘렸다.

Google의 AI 연구소인 DeepMind를 방문해 본다. 연구진은 최근 이전에 알려지지 않은 무기 결정의 잠재적 구조를 예측하도록 설계된 새로운 딥러닝 AI의 결과를 발표했다. 그리고 그 결과는 예정보다 수세기 앞서 있었다.

구글의 수정을 만드는 공

DeepMind의 새로운 AI는 "재료 탐색을 위한 그래프 네트워크"(또는 줄여서 GNoME)라고 한다. 이름에서 알 수 있듯이 데이터 포인트 간의 연결을 그래프를 통해 구현하여 작동하는 그래프 신경망이다.

GNoME은 재료 프로젝트에서 얻을 수 있는 데이터로 교육을 받았으며 이전에 발견된 48,000개의 무기 결정을 기초로 사용하여 이론적 결정 구조를 구축하기 시작했다. 두 파이프라인 중 하나를 사용하여 예측을 생성했다. "구조적 파이프라인"으로 알려진 첫 번째 파이프라인은 이전에 알려진 결정 구조를 기반으로 예측했다. "구성 파이프라인"으로 알려진 두 번째 파이프라인은 어떤 분자를 함께 짜낼 수 있는지 확인하기 위해 보다 무작위적인 접근 방식을 취했다.

머티리얼 프로젝트의 12가지 재료 구조. (제공: Jenny Nuss/Berkeley Lab)

그런 다음 AI는 화학 및 물리학에서 원자 구조를 계산하는 데 사용되는 방법인 "밀도 함수 이론"을 사용하여 예측을 테스트했다. 결과가 실패이든 성공이든 AI가 학습할 수 있는 더 많은 훈련 데이터가 생성되었다. 이는 결국 미래 파이프라인 예측에 영향을 미쳤다.

본질적으로 AI의 파이프라인과 후속 학습은 위에서 설명한 인간의 실험 접근 방식을 반영한다. AI의 처리 능력을 활용하여 훨씬 빠른 속도로 계산을 수행할 뿐이다.

연구진은 "언어나 시각의 경우와는 달리 재료 과학에서는 계속해서 데이터를 생성하고 안정적인 결정을 발견할 수 있으며 이를 재사용하여 모델을 지속적으로 확장할 수 있다"고 썼다.

전체적으로 GNoME은 220만 개의 새로운 재료를 예측했다. 그 중 약 380,000개가 가장 안정적인 것으로 간주되며 앞으로 합성을 위한 주요 후보가 될 것이다. 이러한 잠재적인 무기 결정의 예로는 첨단 초전도체 개발에 도움이 될 수 있는 층상 그래핀 유사 화합물과 배터리 성능을 향상시킬 수 있는 리튬 이온 전도체가 있다.

연구 저자이자 Google DeepMind 연구자인 아밀 머천트(Amil Merchant)와 에킨 도구스 큐북(Ekin Dogus Cubak)은 “GNoME이 발견한 220만 개의 재료는 약 800년치의 지식에 해당하며 전례 없는 규모와 예측 정확성 수준을 보여준다.”라고 덧붙였다.

연구팀은 동료 검토 저널인 네이쳐에 연구 결과를 발표했다. DeepMind는 또한 380,000개의 가장 안정적인 재료를 재료 프로젝트에 기부하여 연구원들이 무료로 사용할 수 있도록 할 것이다.

오토봇 집결!

GNoME의 예측 자료는 이론적으로 안정적이지만 실험적으로 검증된 자료는 거의 없다. 현재까지 연구자들은 실험실에서 그 중 736개만을 독립적으로 생산했다. 이는 모델의 예측이 어느 정도 정확하다는 것을 의미하지만, 380,000개 모두가 실험적으로 제작, 테스트 및 적용되기까지의 긴 여정을 보여준다.

격차를 줄이기 위해 로렌스 버클리 국립 연구소(Lawrence Berkeley National Laboratory)는 완전 자율 연구를 위해 AI와 로봇 공학을 결합한 일종의 실험 실험실인 새로운 A-Lab에 예측된 재료 중 58개를 제작하는 임무를 맡겼다.

보조 연구원 Bernardus Rendy(왼쪽)와 Yuxing Fei(오른쪽)가 A-Lab의 구성 요소를 조정하고 있다. (제공: Marilyn Sargent Berkeley Lab)

A-Lab은 폐쇄 루프 시스템이다. 즉, 사람의 입력 없이 다음에 수행할 작업을 결정할 수 있다. 임무가 부여되면 시작 성분을 선택 및 혼합하고, 가열 중에 혼합물을 주입하고, 최종 제품을 준비하고, 분석을 위해 X선 회절계로 추출할 수 있다. 연구실의 AI는 해당 분석을 사용하여 향후 시도를 알린다. 그리고 일반적인 인간 연구원보다 하루에 50~100배 많은 샘플을 관리할 수 있다.

“어떤 사람들은 우리의 설정을 오랫동안 자동화가 사용된 제조와 비교할 수도 있다. 여기서 흥미로운 점은 우리가 물질이 생산될 때까지 결과를 알 수 없는 연구 환경에 적응했다는 것이다.”고 A-Lab의 직원 과학자인 얀 젱(Yan Zeng)은 말한다. "전체 설정은 적응형이므로 항상 동일한 작업을 수행하는 대신 변화하는 연구 환경을 처리할 수 있다."

A-Lab은 17일 동안 58개의 표적 물질 중 41개를 성공적으로 합성했다고 밝혔다. 하루에 2개 이상의 재료가 필요하며 성공률은 71%이다. NBNL 연구자들은 다른 네이쳐 논문에 연구 결과를 발표했다.

"예측 자료 검증의 높은 성공률을 통해 A-Lab은 처음부터 순순한 계산, 머신러닝 알고리즘, 축적된 역사적 지식 및 실험 연구 자동화의 집단적 힘을 보여준다."고 연구자들은 연구에 글을 쓴다.

연구자들은 또한 왜 나머지 17개의 무기 결정이 펼쳐져 있지 않은 지 조사하고 있다. 어떤 경우에는 GNoME의 예측에 부정확한 내용이 포함되어 있을 수도 있다. 다른 사람들에게는 A-Lab의 의사결정 및 능동적 학습 알고리즘을 확장하면 더 긍정적인 결과를 얻을 수 있을 수도 있다. 두 가지 경우에는 사람의 개입으로 재시도하여 합성이 성공적으로 이루어졌다.

따라서 GNoME은 가까운 미래에 협력할 수 있는 전 세계 A-Lab과 인간이 운영하는 연구 시설을 많이 제공했다.

“이것이 제가 재료 프로젝트를 통해 시작한 일이다. 내가 생산한 데이터를 무료로 만들고 전 세계의 재료 설계를 가속화하는 데 사용할 수 있을 뿐만 아니라 컴퓨터가 여러분을 위해 무엇을 할 수 있는지 세상에 가르치는 것이다. 재료 프로젝트의 창립자이자 이사인 크리스틴 페르손(Kristin Persson)은 “실험만으로 할 수 있는 것보다 더 효율적이고 빠르게 넓은 공간에서 새로운 화합물과 특성을 검색할 수 있다.”고 말했다.

그는 “지구 환경 및 기후 문제를 해결하려면 새로운 소재를 만들어야 한다. 재료 혁신을 통해 우리는 잠재적으로 재활용 가능한 플라스틱을 개발하고, 폐기물 에너지를 활용하고, 더 나은 배터리를 만들고, 더 오래 지속되는 더 저렴한 태양광 패널을 만들 수 있다.”