전형적인 신경망을 훈련하려면 수천에서 수백만 건에 이르는 매우 큰 데이터 세트가 필요하지만 연구팀은 파레토 프론트 모델을 기반으로 이 반복적 프로세스를 사용하여 소수의 결과만으로 신뢰할 수 있는 결과를 거의 3백만개의 후보물질 중에서 가장 유망한 8개의 물질을 찾아냈다.

신경망을 훈련시키기 위한 반복적인 다단계 프로세스는 중심의 그래프에 표시된 바와 같이 2 개의 경쟁 품질 사이의 트레이드 오프를 평가하게 한다. 파란색 선은 소위 파레토 플런트를 나타내며, 재료 선택을 더 향상시킬 수 없는 경우를 정의한다. 이를 통해 오른쪽 분자 다이어그램으로 표시되는 것과 같은 유망한 신물질의 특정 범주를 식별할 수 있다.
신경망을 훈련시키기 위한 반복적인 다단계 프로세스는 중심의 그래프에 표시된 바와 같이 2 개의 경쟁 품질 사이의 트레이드 오프를 평가하게 한다. 파란색 선은 소위 파레토 프론트 모델을 나타내며, 재료 선택을 더 향상시킬 수 없는 경우를 정의한다. 이를 통해 오른쪽 분자 다이어그램으로 표시되는 것과 같은 유망한 신물질의 특정 범주를 식별할 수 있다.(사진:아래 첨부 논문/MIT)

배터리 또는 기타 에너지 관련 장치와 같은 특정 용도에 사용할 수 있는 새로운 재료의 이론적 물질을 검색할 때 고려할 수 있는 잠재적 재료는 수백만개에 달하는 경우가 많으며, 또 한번에 요구되는 조건을 충족하고 최적화해야 하는 다양한 기준이 있다.

MIT 화학공학과 헤더 쿨릭(Heather Kulik) 교수, 존 폴 자넷(Jon Paul Janet) 박사와 대학원생 사하스라짓 라메쉬(Sahasrajit Ramesh), 첸루 두안(Chenru Duan) 등의 연구원들이 머신러닝 시스템을 사용하여 발견 과정을 극적으로 간소화할 수 있는 방법을 개발했다고 26일(현지시간) 밝혔다.

이 팀은 플로우 배터리(Flow Battery)라고 불리는 에너지 저장 재료를 위해 거의 3백만개의 후보물질 중에서 가장 유망한 8개의 물질을 찾아냈다. 이는 기존의 전통적인 분석 방법으로는 50년이 소요되는 작업이었지만 단, 5주 만에 최신 신경망(Neural Network)을 이용해 찾아낸 것이다.

연구팀은 매우 다양한 형태로 존재할 수 있는 전이 금속 복합체(transition metal complexs)의 일련의 물질들을 양자 역학을 이용해 조사했다. 이러한 물질 수백만 개 중 어느 하나의 특성을 예측하기 위해서는 가능한 각 후보 물질이나 물질의 조합에 대해 시간이 많이 걸리고 자원 집약적인 스펙트럼 분석 및 기타 실험실 작업이나 매우 복잡한 물리학 기반 컴퓨터 모델링이 필요하며, 이러한 각각의 연구는 몇시간에서 며칠까지 소요될 수 있다.

연구팀은 가능한 몇가지 다른 물질들을 대상으로 그 물질의 화학적 구성과 물리적 특성 사이의 관계에 대해 머신러닝을 위한 진보한 신경망을 학습하는데 사용했다. 그런 다음 그 지식은 신경망의 다음 훈련에 사용될 수 있는 차세대 물질에 대한 제안을 생성하기 위해 적용되었다. 이 과정을 네 차례 연속 반복을 통해 신경망은 매번 크게 개선되었으며, 더 이상의 반복으로 더 이상 개선되지 않을 것이라는 시점에 도달할 때까지 신경망을 개선시켰다.

이 반복된 최적화 시스템은 추구되고 있는 두 가지 상반된 기준을 충족시키는 잠재적 해결책에 도달하는 과정을 크게 간소화했다. 한 요인을 개선하면 다른 요인이 악화되는 경향이 있는 상황에서 가장 좋은 해결책을 찾는 이런 종류의 과정을 파레토 프론트(Pareto front) 라고 하는데, 이는 한 요소의 추가적인 개선이 다른 요소를 악화시킬 수 있는 지점의 그래프를 나타낸다. 즉, 그래프는 각 요인에 할당된 상대적 중요성에 따라 가능한 가장 좋은 타협점을 나타내는 것이다.

전형적인 신경망을 훈련하려면 수천에서 수백만 건에 이르는 매우 큰 데이터 세트가 필요하지만 연구팀은 파레토 프론트 모델을 기반으로 이 반복적 프로세스를 사용하여 프로세스를 간소화하고 소수의 결과만으로 신뢰할 수 있는 결과를 제공할 수 있었다.

플로우 배터리 재료로 대상인지의 여부를 판단하는 스크리닝하는 경우, 종종 요구되고 원하는 특성이 상충된다, 최적의 재료는 높은 용해도 및 높은 에너지 밀도(주어진 중량에 대한 에너지 저장 능력)를 가지는 것이다. 그러나 용해도를 높이면 에너지 밀도가 감소하는 경향이 있으며, 그 반대도 마찬가지이다.

신경망은 이 유망한 물질 후보를 신속하게 도출 할 수 있었을 뿐만 아니라, 각 반복을 통해 다른 예측에 대한 신뢰 수준을 할당할 수 있었으며, 이는 각 단계에서 샘플 선택을 구체화하는 데 도움이 되었다. 또 연구팀은 이러한 모델이 언제 실패할 것인지 실제로 알기 위해 신경망을 통해 동급 최고의 정량화 기술을 개발을 개발한 것이다.

한편, 이 연구는 미 해군연구소(Naval Research), DARPA, 미국 에너지부 등의 지원으로 진행됐으며, 연구결과는 ACS 센트럴 사이언스지(ACS Central Science)에 지난 11일 ‘신경망 기반 가장 효율적인 최적화를 통한 수백만 개의 전이금속 복합체에서의 정확한 다목적 설계(Accurate Multiobjective Design in a Space of Millions of Transition Metal Complexes with Neural-Network-Driven Efficient Global Optimization-다운)’란 제목으로 게재되었다.

저작권자 © 인공지능신문 무단전재 및 재배포 금지