KAIST 정유성 교수 연구팀, 생성모델 기반으로 개발된 AI '신소재 역발견 모델'로 신물질 4종 발견
KAIST 정유성 교수 연구팀, 생성모델 기반으로 개발된 AI '신소재 역발견 모델'로 신물질 4종 발견
  • 최창현 기자
  • 승인 2019.10.07 09:21
  • 댓글 0
이 기사를 공유합니다

연구팀이 개발한 신소재 역발견 모델은 생성모델 기반의 AI 기법을 이번 연구에서 '알려지지 않은 무기 고체 소재를 생성하는 데 최초로 적용해' 기존의 생성모델을 고체 소재에 적용하기 위해 역변환이 가능한 3차원 이미지 기반의 표현자를 도입함으로써

현재까지의 소재 역설계 모델의 한계를 극복했고, 이를 iMatGen(image-based Materials Generator) 이라 이름 지었다.
정유성 교수(왼쪽), 노주환 박사과정이 개발된
정유성 교수(왼쪽), 노주환 박사과정이 생성모델(Generative model) 기반으로 개발된 AI '신소재 역발견 모델'을 설명하고 있다(사진:KAIST)

소재 연구의 궁극적인 목표는 원하는 물성을 갖는 신소재를 개발하는 것이다. 하지만, 현재까지의 신소재 개발 방법은 화학적 직관과 실험적 시행착오를 통한 소재 개발이 주를 이루어왔기 때문에 개발 비용과 시간이 많이 들고, 따라서 소재 개념화에서부터 상용화에 걸리는 시간이 평균 30년 정도 걸리는 것으로 여겨져 왔다.

이런 문제들을 해결하기 위해 고안된 것이 머신러닝 알고리즘으로 하여금 기존의 수만개의 물질들과 그 물질들이 갖는 물성을 학습하게 한 후, 원하는 물성을 갖는 물질을 알고리즘(인공지능)이 역으로 생성하는 소재 역설계 모델이다.

하지만, 기존에 제시된 소재 역설계 모델은 이미 알려진 소재 데이터베이스에 기반하여 원소를 치환함으로써 데이터베이스를 확장해 이론적 또는 실험적 방법을 통해 소재의 특성을 측정하여 새로운 물질을 설계하는 방법으로 기존에 데이터베이스에 존재하지 않는 물질을 설계할 수 없다는 단점이 존재했다.

또한, 고체 소재의 경우 이를 효율적으로 적용하기 위해 필요한 역변환이 가능한 표현자가 존재하지 않아 적용이 어렵다는 단점이 존재한다. 따라서, 역변환이 가능한 표현자의 개발 및 이를 통한 기존 데이터베이스에 존재하지 않는 물질을 생성할 수 있는 역설계 모델 구축은 필수적인 일이다.

이 가운데 국내 연구진 KAIST(총장 신성철) EEWS대학원/생명화학공학과 정유성 교수 연구팀이 인공지능(AI)을 활용해 원하는 물성을 갖는 신소재를 역설계하는 기술로 수만 개의 물질을 학습시킨 뒤 AI를 통해 원하는 물성을 갖는 소재를 역설계하는 방식으로 4종의 신물질을 발견한 것이다.

이처럼 정 교수 연구팀은 AI 기술과 슈퍼컴퓨터 활용을 융합해 이러한 소재 개발을 기간을 크게 단축할 수 있는 새로운 소재 역설계 방법을 개발하고 개발한 소재 역설계 방법은 기계(알고리즘)로 기존의 수만 개 물질과 그 물질들이 갖는 물성을 학습하게 한 후, 원하는 물성을 갖는 물질을 AI 기반 알고리즘이 역으로 생성하는 방식이다. 이 기술은 향후 신소재 개발에 크게 이바지할 수 있을 것으로 기대된다.

사진은 개발된 '소재 역설계 모델' 개요로 기존에 알려진 수만종의 물질들을 이미지로 표현하고 안정성 정보를 추가함으로써 안정한 신물질을 발견할 수 있는 잠재물질공간을 구축하고, 구축된 물질잠재공간에서의 샘플링과 역변환을 통해 신물질을 생성할 수 있다.

특히, 연구팀이 이번 개발한 소재 역설계 방법은 기존의 컴퓨터 스크리닝을 통해 소재 설계를 가속화 하는 연구와도 차별성이 있다. 스크리닝 기반의 소재 발견 기술은 발견될 물질이 스크리닝 대상이 되는 물질 데이터베이스를 벗어날 수 없다는 한계를 가지고 있다. 따라서 데이터베이스에 존재하지 않는 새로운 형태의 소재를 발견하지 못한다는 단점이 있다.

보통 패턴 인식에서 분류에 쓰이는 모델은 크게 2가지로 생성 모델(Generative model)과 판별 모델(discriminative model)이 있다. 판별모델은 샘플 데이터 세트(sample data set)을 생성하는 모델이다. 다시 말해, 학습하는 데이터의 분포를 학습하게 된다. 반면에 판별 모델은 샘플을 생성하지 못한다.

연구팀이 개발한 신소재 역발견 모델은 생성모델 기반의 AI 기법을 이번 연구에서 '알려지지 않은 무기 고체 소재를 생성하는 데 최초로 적용해' 기존의 생성모델을 고체 소재에 적용하기 위해 역변환이 가능한 3차원 이미지 기반의 표현자를 도입함으로써 현재까지의 소재 역설계 모델의 한계를 극복했고, 이를 iMatGen(image-based Materials Generator) 이라 이름 지었다.

또한 연구팀은 개발된 소재 역설계 기법을 새로운 바나듐 산화물 결정구조를 예측하는데 적용했다. 이 학습 과정에서 기존에 알려진 물질을 제외해 학습하더라도 제외된 물질들을 역으로 재발견할 수 있음을 확인해 개발 모델의 타당성을 검증했다. 최종적으로 개발된 모델을 통해 학습된 연속 잠재공간을 다양한 방법으로 샘플링하고 역변환 함으로써 기존에 존재하지 않는 전혀 새로운 바나듐 산화물 결정구조를 예측할 수 있었다.

정유성 교수는 “이번 연구는 원하는 물성을 갖는 무기 고체 소재를 역으로 설계하는 방법을 데이터 기반 기계학습으로 최초로 보인 예로, 향후 다양한 응용 분야의 신소재 개발에 도움을 줄 수 있을 것으로 기대한다”라고 말했다.

한편, 이번 연구 성과는 한국연구재단, 산업통상자원부 산하 에너지기술평가원, 그리고 KISTI의 지원을 통해 수행됐으며, 노주환 박사과정이 1저자로 참여한 이번 연구 결과는 ‘셀 (Cell)’ 자매지 ‘매터(Matter)’ 10월 2일 자 온라인판에 출판됐다. (논문명: Inverse Design of Solid State Materials via a Continuous Representation/ 다운받기)

 


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.