구글 딥마인드 AI 도구로 200만 개의 새로운 물질 발견

---

Google DeepMind tool predicts nearly 400,000 stable substances, and an autonomous system learns to make them in the lab.

Google DeepMind로 400,000개 정도의 안정적인 물질을 예측하고 자율 시스템으로 실험실에서 이를 합성하는 법을 학습합니다.

---

사진출처) Marilyn Sargent/Berkeley Lab

 

완전히 새로운 소재를 만들기 위해 로봇공학과 인공지능(AI)을 결합한 자율(autonomous) 시스템이 최초로 발견한 소재를 합성하는 법을 발표했습니다. A-Lab으로 알려진 이 시스템은 배터리나 태양전지에 사용될 수 있는 소재를 포함하여 재료에 대한 레시피를 찾아 냅니다. 이는 사람의 개입 없이 합성을 수행하고 제품을 분석합니다. 한편, 또 다른 AI 시스템은 수십만 개의 안정적인 물질의 존재를 예측하여 A-Lab이 미래에 합성할 수 있는 많은 후보 물질을 제안 합니다.

​

이러한 시스템으로 청정 에너지 기술, 차세대 전자 제품 및 기타 다양한 응용 분야를 위한 소재 발견이 가속화될 것을 기대하게 만듭니다. 런던의 구글 딥마인드(Google DeepMind)에서 소재 발견 팀을 이끌고 있으며, 오늘 발표된 두 연구에 참여한 Ekin Dogus Cubak은 "배터리 및 태양 전지를 포함하여 우리 주변의 많은 기술에 대한 더 나은 소재를 실제로 찾아낼 수 있습니다."라고 말합니다.

​

연구에는 참여하지 않았지만 뉴욕주 이타카에 위치한 코넬대학교 AI 과학 연구소의 공동 소장인 칼라 고메스(Carla Gomes)는 “과학적 발견은 AI의 다음 개척지입니다.”라고 말했습니다. "그래서 나는 이 일이 매우 흥미롭다고 생각합니다."

---

초대형 소재 발굴

 

수세기에 걸쳐 힘든 실험실 작업을 통해 화학자들은 수십만 개의 무기 화합물, 즉 유기 화학의 특징인 탄소 원자 사슬을 기반으로 하지 않는 물질을 합성했습니다. 그러나 연구에 따르면 상대적으로 단순한 수십억 개의 무기 물질이 아직 발견되지 않고 있습니다.

​

많은 프로젝트에서는 새로운 무기 물질을 계산적으로 시뮬레이션하고 원자가 결정에서 어떻게 결합되는지와 같은 특성을 계산함으로써 실험실에서 다양한 물질을 합성하는데 소요되는 시간을 줄일 수 있습니다. 캘리포니아 버클리에 있는 로렌스 버클리 국립 연구소(LBNL)에 기반을 둔 재료 프로젝트를 포함한 이러한 노력을 통해 전체적으로 안정적일 것으로 예상되는 약 48,000개의 재료를 찾아냈습니다.

​

구글 딥마인드는 이제 GNoME(Graph Networks for Materials Exploration, 재료 탐색을 위한 그래프 네트워크)라는 AI 시스템을 통해 이러한 접근 방식에 한발 더 다가갔습니다. 재료 탐색 프로젝트 및 유사한 데이터베이스에서 수집한 데이터를 교육한 후 GNoME는 알려진 소재의 구성을 조정하여 220만 개의 잠재적 화합물을 찾아냈습니다. 이러한 소재가 안정적인지 여부를 계산하고 결정 구조를 예측한 후 시스템은 재료 프로젝트 데이터베이스에 추가할 381,000개의 새로운 무기 화합물의 최종 집계를 생성했습니다 .

​

결정적으로 GNoME는 이전 AI 시스템보다 더 많은 소재를 예측하기 위해 여러 가지 전략을 사용합니다. 예를 들어 물질의 모든 칼슘 이온을 마그네슘으로 바꾸는 대신 절반만 대체하거나 더 넓은 범위의 특이한 원자 교환을 시도할 수 있습니다. 시스템이 불안정한 모든 것을 제거하고 실수로부터 배울 수 있기 때문에 이러한 조성이 제대로 합성되지 않아도 문제가 되지 않습니다.  "이것은 재료 발견을 위한 ChatGPT와 같습니다."라고 고메즈(Gomes)는 말합니다.

 

사진출처) Materials Project/Berkeley Lab

 

---

지치지 않는 로봇

물질의 존재를 예측하는 것과 실제로 실험실에서 만들어내는 것은 별개의 문제입니다. A-Lab이 등장하는 곳이 바로 여기입니다. "우리는 이제 컴퓨터를 통해 생각해낸 이러한 새로운 재료를 신속하게 만들 수 있는 능력을 갖게 되었습니다."라고 A-Lab을 주도한 LBNL 및 캘리포니아 대학교 버클리 캠퍼스의 재료 과학자인 Gerbrand Ceder는 말합니다. 연구실 팀.

​

LBNL에 위치한 A-Lab은 최첨단 로봇을 이용해 분말 형태의 고형 재료를 혼합, 가열한 뒤 제품을 분석해 과정이 제대로 되었는지 확인한다. 200만 달러 규모의 시설을 구축하는 데 18개월이 걸렸습니다. 그러나 가장 큰 과제는 AI를 사용하여 시스템을 진정으로 자율적으로 만들어 실험을 계획하고 데이터를 해석하고 합성 개선 방법에 대한 결정을 내릴 수 있도록 하는 것이었습니다. Ceder는 "로봇을 보는 것은 정말 재미있지만 실제로는 혁신이 숨어 있습니다."라고 말합니다.

 

Ceder의 팀은 재료 프로젝트의 데이터베이스에서 안정적일 것으로 예상되는 58개의 대상 화합물을 식별하고 이를 GNoME 데이터베이스와 대조한 후 A-Lab의 기계 학습 모델에 대상을 넘겼습니다.

​

A-Lab은 30,000개 이상의 공개된 합성 절차를 종합하여 각 대상과 기존 물질의 유사성을 평가하고 이를 만드는 데 필요한 성분 및 반응 온도를 제안할 수 있습니다. 그런 다음 시스템은 랙에서 재료를 선택하고 합성을 수행하며 합성된 소재를 분석합니다. 문헌에서 영감을 받은 레시피를 사용해 여러 번 시도한 끝에 목표 소재가 제품의 절반 미만이면 '능동 학습' 알고리즘이 더 나은 절차를 고안하고 지치지 않는 로봇이 다시 연구를 시작합니다.

​

전체적으로 A-Lab은 41개의 새로운 무기 물질을 생산하는 데 17일이 걸렸으며, 그 중 9개는 지속적인 학습으로 합성방법을 개선한 후에 생성되었습니다. A-Lab이 만들지 못한 17가지 재료 중 대부분은 실험적 어려움으로 인해 실패했습니다. 일부 재료는 결국 합성되었지만 인간이 개입한 후에만 가능했습니다. 예를 들어 반응을 통해 혼합물을 부분적으로 재분쇄하는 것이었습니다.

​

그럼에도 불구하고 GNoME와 같은 시스템이 자율 실험실이 따라잡을 수 있는 것보다 더 많은 계산 예측을 할 수 있다는 것은 분명하다고 영국 리버풀 대학교 소재 혁신 공장의 학술 이사인 Andy Cooper는 말합니다. "우리에게 정말로 필요한 것은 무엇을 만들어야 할지 알려주는 계산입니다."라고 Cooper는 말합니다. 이를 위해 AI 시스템은 예측된 재료의 화학적, 물리적 특성을 더 많이 정확하게 계산해야 합니다.

​

한편, A-Lab은 여전히 ​​반응을 진행하고 있으며 그 결과를 재료 프로젝트에 추가하여 전 세계 과학자들이 이를 활용하여 자신의 작업을 공개할 수 있습니다. 이렇게 증가하는 캐시는 시스템의 가장 큰 유산이 될 수 있다고 Ceder는 말합니다. “이것은 본질적으로 일반 고체의 반응성에 대한 지도입니다. 그리고 그것이 바로 A-Lab 자체가 아니라 A-Lab이 생성하는 지식과 정보로 세상을 변화시킬 것입니다.”

---

※ 기사 내용 참조

​

[Nature] ChatGPT for chemistry: AI and robots join forces to build new materials | By Mark Peplow | 29 November 2023 | https://www.nature.com/articles/d41586-023-03745-5

​

[Financial Times] Google DeepMind researchers use AI tool to find 2mn new materials | By Michael Peel | 29 November 2023 | https://www.ft.com/content/f841e9e0-c9c6-49ab-b91c-6d7bea2a3940

---

https://pf.kakao.com/_UCxoxnT

웨어러블서치