그래프 신경망 모델이 새로운 소재 구조(결정)를 예측 후보 물질 중에는 인공지능, 슈퍼컴퓨터 등에 전력을 공급하는 초전도체부터 전기 자동차의 효율 높이는 차세대 배터리에 이르기까지 미래의 혁신적인 기술을 개발할 수 있는 잠재력을 가진 물질 데이터베이스...

이미지:iStock 및 본지DB
이미지:iStock 및 본지DB

구글 딥마인드(DeepMind)가 인공지능(AI) '지노메(Graph Networks for Materials Exploration. 이하, GNoME)' 이용해 미래 기술을 강화할 수 있는 38만개의 안정적인 재료를 포함하여 220만 개의 새로운 소재 구조(결정)를 예측했다.

딥마인드는 이 획기적인 기술이 곧 잠재적 응용 분야에는 더 나은 성능의 배터리, 태양 전지판 및 컴퓨터 칩 생산이 포함해 실제 기술을 개선하는 데 사용될 수 있다고 밝혔다.

지난달 29일, 네이처(Nature)에 '재료 발견을 위한 딥러닝 확장(Scaling deep learning for materials discovery-보기)'란 제목으로 게재된 논문에 따르면 거의 800년 동안 축적된 지식에 해당하는 220만 개의 새로운 결정을 발견한 사실과 과정을 공유하고. 새로운 물질의 안정성을 예측하여 발견의 속도와 효율성을 획기적으로 높여주는 새로운 딥러닝 그래프 신경망 재료 탐색 AI모델 GNoME을 공개(아래 첨부)했다.

첨부파일 : s41586-023-06735-9.pdf

딥마인드의 연구 과학자인 에킨 도구스 쿠북(Ekin Dogus Cubuk)은 "우리는 자율 합성 및 인공지능 머신러닝 모델의 큰 개선으로 10~20년의 일정이 훨씬 더 관리하기 쉬운 것으로 크게 단축될 것으로 기대하고 있다고 밝혔다.

사진:딥마인드
사진:딥마인드

최근 화학, 생명과학 등 다양한 기초과학 분야의 문제를 해결하기 위해 인공지능(AI) 그래프 신경망(Graph Neural Network) 기술이 널리 활용되고 있다.

GNoME 역시, 최첨단 그래프 신경망(Graph Neural Network. 이하, GNN) 모델이다. GNN의 입력 데이터는 원자 사이의 연결에 비유될 수 있는 그래프 형식을 취하므로 새로운 결정질 물질을 발견하는 데 특히 적합하다.

GNoME-재료 탐색을 위한 그래프신경망 활용: GNoME는 두 가지 파이프라인을 사용하여 저에너지(안정) 물질을 발견한다. 구조 파이프라인은 알려진 결정과 유사한 구조를 가진 후보 물질을 생성하는 반면, 조성 파이프라인은 화학 공식을 기반으로 한 보다 무작위적인 접근 방식을 따른다. 두 파이프라인의 결과물은 확립된 밀도 함수 이론 계산을 사용하여 평가되며, 그 결과는 GNoME 데이터베이스에 추가되어 다음 단계의 능동학습(Active Learning)을 위한 정보를 제공한다.
GNoME-재료 탐색을 위한 그래프신경망 활용: GNoME는 두 가지 파이프라인을 사용하여 저에너지(안정) 물질을 발견한다. 구조 파이프라인은 알려진 결정과 유사한 구조를 가진 후보 물질을 생성하는 반면, 조성 파이프라인은 화학 공식을 기반으로 한 보다 무작위적인 접근 방식을 따른다. 두 파이프라인의 결과물은 확립된 밀도 함수 이론 계산을 사용하여 평가되며, 그 결과는 GNoME 데이터베이스에 추가되어 다음 단계의 능동학습(Active Learning)을 위한 정보를 제공한다.

GNoME는 원래 재료 프로젝트(Materials Project)를 통해 공개적으로 제공되는 결정 구조와 그 안정성에 대한 데이터로 학습(보기)되었다. 연구팀은 GNoME를 사용하여 새로운 후보 결정을 생성하고 안정성을 예측했으며, 점진적인 훈련 주기 동안 모델의 예측력을 평가하기 위해 물리학, 화학 및 재료 과학에서 구조(결정)의 안정성을 평가하는 데 중요한 원자 구조를 이해하는 데 사용되는 밀도 함수 이론(DFT)으로 알려진 기존 계산 기법을 사용하여 성능을 반복적으로 확인했다.

GNoME는 효율적인 검색을 가능하게 한다.A. GNoME 기반 탐색의 요약은 모델 기반 필터링과 DFT가 어떻게 예측을 개선하는 데이터 플라이휠 역할을 하는 방법을 보여준다. B. GNoME를 통한 탐색으로 이전 작업보다 거의 몇 배나 많은 381,000개의 새로운 안정적인 물질을 발견했다.이는 이전 작업보다 거의 10배 큰 규모다. C. 736개의 구조물은 독립적으로 실험적으로 검증되었으며, 6개의 예시가 제시되었다. D. 그래프 신경망 예측의 개선을 통해 훈련 세트가 4개의 고유 원소에서 멈췄음에도 불구하고 예를 들어 6개의 고유 원소를 가진 물질의 조합 영역에서 효율적인 발견이 가능해졌다. E. GNoME는 무작위 구조 검색에서 도메인 외부 입력에 대해 테스트할 때 발생하는 일반화를 보여주며, 이는 보편적인 에너지 모델로의 진행을 나타낸다.
GNoME는 효율적인 검색을 가능하게 한다.A. GNoME 기반 탐색의 요약은 모델 기반 필터링과 DFT가 어떻게 예측을 개선하는 데이터 플라이휠 역할을 하는 방법을 보여준다. B. GNoME를 통한 탐색으로 이전 작업보다 거의 몇 배나 많은 381,000개의 새로운 안정적인 물질을 발견했다.이는 이전 작업보다 거의 10배 큰 규모다. C. 736개의 구조물은 독립적으로 실험적으로 검증되었으며, 잠재적인 초전도체(Mo5GeB2) 6개의 예시가 제시되었다. D. 그래프 신경망 예측의 개선을 통해 훈련 세트가 4개의 고유 원소에서 멈췄음에도 불구하고 예를 들어 6개의 고유 원소를 가진 물질의 조합 영역에서 효율적인 발견이 가능해졌다. E. GNoME는 무작위 구조 검색에서 도메인 외부 입력에 대해 테스트할 때 발생하는 일반화를 보여주며, 이는 보편적인 에너지 모델로의 진행을 나타낸다.

딥마인드의 GNoME 프로젝트는 AI를 통해 신소재 발견 비용을 낮추는 것을 목표로 하며 이번 새로이 발견된 결정의 데이터베이스(다운)와 연구에 사용된 두 가지 모델 세트를 연구 커뮤니티에 오픈소스로 공개했다. 

또한 연구팀은 이번 연구를 통해 GNoME은 인류에게 알려진 기술적으로 실행 가능한 물질의 수를 배가시켰다며, 220만 개의 예측 물질 중 38만 개가 가장 안정적이어서 곧 실험실 조건에서 생산될 수 있다고 덧붙였다. 이러한 후보 물질 중에는 인공지능, 슈퍼컴퓨터 등에 전력을 공급하는 초전도체부터 전기 자동차의 효율을 높이는 차세대 배터리에 이르기까지 미래의 혁신적인 기술을 개발할 수 있는 잠재력을 가진 물질이 포함되어 있다.

특히, GNoME은 AI를 활용해 대규모 신소재를 발견하고 개발할 수 있는 가능성을 보여준 것으로, 전 세계 연구실의 외부 연구자들이 동시에 실험을 통해 736개의 새로운 구조를 독립적으로 만들어냈다. 로렌스 버클리 국립연구소(Lawrence Berkeley National Laboratory)의 연구팀은 구글 딥마인드와 협력하여 AI 예측을 자율적인 재료 합성에 활용하는 방법을 보여주는 두 번째 논문을 네이처에 '새로운 물질의 합성 가속화를 위한 자율 실험실(보기)'란 제목으로 29일, 동시 발표(아래 첨부)했다.

첨부파일 : s41586-023-06734-w.zip

마지막으로 딥마인드는 버클리 연구소, 구글 리서치 및 전 세계 팀의 공동 연구자들의 연구는 AI를 사용하여 재료 발견, 실험 및 합성을 유도할 수 있는 가능성을 보여준 것이며, 다른 AI 도구와 함께 GNoME가 오늘날 재료 발견에 혁명을 일으키고 이 분야의 미래를 형성하는 데 최고의 물질을 테스트하고 잠재적으로 만드는 연구 및 과학자들에게 새로운 후보 물질에 대한 유망한 '레시피'의 전체 카탈로그를 제시함으로써, 도움이 되기를 바란다고 덧붙였다.

 

저작권자 © 인공지능신문 무단전재 및 재배포 금지