'AI에 의해 미지의 재료의 특성 예측하는 새로운 기술'을 적용하여 열전 변환 효율(Thermoelectric conversion efficiency)을 이전의 Pt 합금보다 100 배 높은 효율과 개발 기간을 약 1 년으로 단축

사진에서는 이전의 Pt 합금보다 100 배 높은 열전 변환 효율이 얻어 졌음과 이 수준은 또한 반도체를 사용하는 상용 열전 변환 소자의 출력 수준에 훨씬 가깝다. 또 개발 기간을 약 1 년으로 단축 할 수 있다는 것도 입증했다.(자료:NEC, 편집:본지)
사진에서는 이전의 Pt 합금보다 100 배 높은 열전 변환 효율이 얻어 졌음과 이 수준은 또한 반도체를 사용하는 상용 열전 변환 소자의 출력 수준에 훨씬 가깝다. 또 개발 기간을 약 1 년으로 단축 할 수 있다는 것도 입증했다.(자료:Tnhoku University,NEC, 편집:본지)

최근 인공지능 머신러닝 및 분석 기술이 숨겨진 정보를 추출하고 향후 추세를 예측하기 위한 연구와 기술들이 점차 광범위해지고 있다. 특히 자연 과학 분야에서는 새로운 물질 및 재료, 의학, 제약 및 화학 분야 등에서 인공지능 기술을 사용하여 예측되는 조합을 망라해 조사함으로써 탐색 후보 전체의 경향을 파악하면서 조합 기술과 검색 개체에 대한 포괄적인 조사를 통한 데이터 관련 기술은 대표적으로 약 32억개의 뉴클레오타이드(nucleotide) 염기쌍의 서열을 밝히는 것을 목적으로 한 인간 게놈 프로젝트(Human Genome Project, HGP)와 같은 대단위 프로젝트 등에서 광범위하게 사용하고 있다.

마찬가지로 금속, 반도체, 산화물 등의 고체 물질을 취급하는 분야에서도 연구 개발 기간 단축과 비용을 절감하는 관점에서 머신러닝과 분석 기술의 이점을 최대한 활용하는 방법인 '물질소재 개발 정보체계(MI, Material Informatics)가 신약 개발과 더불어 국내외로 큰 주목을 받고 있다. 국내에서는 아직 구체적인 관련 연구 성과는 발표되지 않았지만 일본 동북대학(도호쿠대학, Tnhoku University)은 NEC의 인공지능(AI) 기술군 'NEC the WISE'의 AI를 사용해 최첨단 열전 변환 기술의 개발에 '알 수 없는 재료의 특성을 예측하는 기술(Technology to predict the properties of unknown materials)'을 최근 개발해 활용한 사례가 있어 소개해본다.

동북대학 재료과학고등연구소(Advanced Institute for Materials Research, AIMR)의 사이토 에이지 교수팀과 NEC는 인공지능을 적용한 자연 과학 분야의 기초 연구에 3년 전부터 '고체 재료 데이터 전문 분석 기술(Analytical technology specialized in solid material data)' 연구를 진행했었다고 한다. 그러나 이 분야에서는 샘플 제작이나 평가에 물질소재 개발 정보체계의 적용에 필요한 충분한 질, 양의 데이터들을 얻을 수 어렵다는 문제가 있었다.

사진에 보이는 성분 확산 재료의 한 예로, 1,000 가지 이상의 서로 다른 유형의 조성을 갖는 박막 재료가 하나의 필름 준비 공정에서 단일 기판 상에 제조, 측정 목적에 따라 전극 패드 등을 평가 샘플에 패턴화하여 독립적으로 개발된 자동 평가 시스템으로 이전 기술에 비해 데이터의 품질과 양이 크게 향상되었다.(사진:Tnhoku University)
사진에 보이는 성분 확산 재료의 한 예로, 1,000 가지 이상의 서로 다른 유형의 조성을 갖는 박막 재료가 하나의 필름 준비 공정에서 단일 기판 상에 제조, 측정 목적에 따라 전극 패드 등을 평가 샘플에 패턴화하여 독립적으로 개발된 자동 평가 시스템으로 이전 기술에 비해 데이터의 품질과 양이 크게 향상되었다.(사진:Tnhoku University)

이에 개발된 신기술은 재료 개발 수행에 필요한 다양한 노하우를 통합하는 재료 '개발용 AI 기술' 군과 'AI가 재료 특성을 학습'하는 데 필요한 대량의 재료 데이터를 일괄적으로 생성하는 기술로 연구팀은 NEC가 개발한 'AI에 의해 미지의 재료의 특성 예측하는 새로운 기술'을 적용하여 열전 변환 효율(Thermoelectric conversion efficiency)을 이전의 Pt 합금보다 100 배 높은 효율이 얻어졌음이 확인시켰다. 이 수준은 반도체를 사용하는 상용 열전 변환 소자의 출력 수준에 훨씬 가까운 기술로 평가되고 있다.

또한 개발 기간을 약 1 년으로 단축했으며, 성분 확산 재료의 한 예에서, 1,000 가지 이상의 서로 다른 유형의 조성을 갖는 박막 재료(Thin film material)가 하나의 필름 준비 공정에서 단일 기판 상에 제조, 측정 목적에 따라 전극 패드 등을 평가 샘플에 패턴화하여 독립적으로 개발된 자동 평가 시스템을 통해 실험 데이터를 효율적으로 수집할 수 있으며, 하나의 실험에서 단일 재료를 생산하고 평가하는데 사용된 이전 기술에 비해 데이터의 품질과 양이 크게 향상시켰다.

이처럼 재료 개발용 AI 기술은 ‘이기종 혼합 학습 기술(heterogeneous mixture learning technology)’과 재료 개발에 특화된 머신러닝을 활용해 생산기술뿐만 아니라 각 조성이 다른 1000 종류 이상의 재료 데이터를 한번에 생성 및 평가하는 것도 가능했기 때문에 AI의 학습 정밀도가 크게 향상시켰으며, 이러한 기술을 조합한 개발 방법론을 '스핀 열전 변환 장치(spin-current thermoelectric conversion element)'의 개발에 적용한 결과 AI가 도출한 새로운 재료의 설계 지침에 따라 실제 재료를 설계하고 열전 변환 효율을 향상시킬 수 있음을 입증한 것이다.

저작권자 © 인공지능신문 무단전재 및 재배포 금지