AI 표적 물질 발견 가속화 자기 주도 실험 기반 마련
| | | | |

AI 표적 물질 발견 가속화 자기 주도 실험 기반 마련

과학자들은 새로운 재료를 검색할 때 데이터를 보다 효율적으로 수집하는 데 도움이 되는 AI 기반 방법을 개발했다.

이 연구는 미국 에너지부(DOE) 산하 SLAC 국립 가속기 연구소(SLAC National Accelerator Laboratory)와 스탠포드 대학(컴퓨터 과학 및 재료 과학)이 협력했다. 이번 협력에는 알고리즘 개발, 기계 학습 및 재료 과학 분야가 포함됐다.

18일(현지시각) npj Computational Materials에 발표된 연구는 지능형 알고리즘이 SLAC Linac Coherent Light Source(LCLS)와 같은 시설에서 다음 측정 세트에 대한 매개변수를 정의하는 “자기 주도 실험(self-driving experiments)”의 토대를 마련한다. 또한 새로운 방법을 사용하면 기후 변화, 양자 컴퓨팅 및 약물 설계와 같은 분야에서 가능성을 보여줄 수 있는 새로운 물질의 신속한 발견이 가능해졌다.

전통적인 재료 발견은 역사적으로 새로운 재료의 특성을 만들고 측정하는 데 드는 비용으로 인해 시간이 많이 걸리고 비용이 많이 드는 프로세스였다. 가능한 재료의 공간도 매우 넓어서 단지 4개의 요소로 구성된 재료의 경우 100억 개가 넘는 가능성이 있다. 제약 응용 분야의 경우 가장 기본적인 구성 요소(C, H, O, N 및 S 원자)만 포함하는 약 1060개의 약물 유사 분자로 인해 문제가 훨씬 더 커진다.

다양한 크기, 모양 및 구성을 가진 나노입자를 합성하기 위한 조건을 발견하는 등 복잡한 설계 목표를 충족해야 하기 때문에 작업은 더욱 복잡해진다. 일반적으로 단순한 속성을 최대화하거나 최소화하는 전통적인 방법은 연구자의 목표에 맞는 새로운 재료를 찾기 위해 방대한 검색 공간을 탐색하기에는 너무 느린 경우가 많다.

본 논문에서는 복잡한 목표를 취하고 이를 지능적인 데이터 수집 전략으로 자동 변환하는 새로운 접근 방식을 제안했다. 핵심 기능은 AI를 사용해 지금까지 수집된 데이터를 기반으로 다음 단계를 제안하는 등 각 실험에서 학습하고 개선하는 것이다. 이 혁신은 연구가 수행될 당시 스탠포드에서 컴퓨터 공학 박사후 연구원이었던 공동 저자 Willie Neiswanger가 최근 개발한 베이지안 알고리즘 실행(Bayesian Algorithm Execution, BAX) 개념을 기반으로 했다. 이 방법을 사용하면 복잡한 목표를 간단한 목록이나 레시피로 작성할 수 있다. 여러 물리적 특성을 고려해야 하는 상황에서 탁월한 성능을 발휘한다.

또 다른 중요한 측면은 이 방법이 사용자 친화적이고 오픈 소스이므로 전 세계 과학자들이 연구에 이를 사용하고 적용하여 전 세계적으로 협업과 혁신을 촉진할 수 있다는 것이다.

연구진은 나노물질 합성 및 자성물질 특성화를 위한 다양한 맞춤형 목표에 대한 접근 방식을 테스트했다. 결과는 그들의 방법이 특히 복잡한 시나리오에서 현재 기술보다 훨씬 더 효율적이라는 것을 보여주었다.

연구를 주도한 SLAC 및 Stanford 박사과정 Sathya Chitturi는 “우리의 방법을 사용하면 복잡한 목표를 지정할 수 있어 대규모 설계 공간에서 자동 최적화가 가능해 새롭고 놀라운 재료를 찾을 가능성이 높아진다”며 “베이지안 알고리즘 실행 프레임워크를 사용하면 우아하고 간단한 방법으로 재료 설계 작업의 복잡성을 포착할 수 있다”고 말했다.

예를 들어, 특정 촉매 특성을 지닌 재료를 설계하는 능력은 화학 공정을 개선하여 제품과 재료를 제조하는 보다 효율적이고 지속 가능한 방법으로 이어지며 에너지 소비와 폐기물을 줄일 수 있다. 제조 분야에서 신소재는 3D 프린팅과 같은 프로세스를 향상시켜 보다 정확하고 지속 가능한 생산을 가능하게 할 수 있다. 의료 분야에서 맞춤형 약물 전달 시스템은 치료제의 표적화 및 방출을 개선하고 효능을 강화하며 부작용을 줄일 수 있다.

연구자들은 이미 이 프레임워크를 실험 및 시뮬레이션 기반 연구 프로젝트에 통합하여 광범위한 적용 가능성과 효율성을 입증하는 방법을 구현하고 있다.

SLAC의 기계 학습 이니셔티브(MLI) 책임자인 공동 작업자인 Daniel Ratner는 “이 프로젝트는 SLAC와 스탠포드 간의 다학제적 협력의 훌륭한 예”라며 “Sathya는 재료 과학의 실제 과학적 문제를 해결하기 위해 Willie의 핵심 알고리즘 컴퓨터 과학 연구를 적용할 수 있었다”고 말했다.

MLI 연구원들은 현재 대규모 재료 시뮬레이션을 위한 응용 프로그램을 조사하고 있으며 Neiswanger, Ratner 및 공동 작업자는 입자 가속기의 성능을 최적화하기 위한 BAX 관련 응용 프로그램을 최근 발표했다.

SLAC의 SSRL(스탠포드 싱크로트론 방사선 광원) 재료 과학 부문 책임자인 공동 연구원인 Chris Tassone은 “고급 알고리즘과 목표 실험 전략을 결합함으로써 우리의 방법은 새로운 재료를 더 쉽고 빠르게 발견”한다며 “이것은 많은 산업 분야에서 새로운 혁신과 응용으로 이어질 수 있다”고 말했다.

사이언스모니터 뉴스레터
AI·양자·R&D 핵심 해설을 주 2회(화·금) 이메일로 받아 보세요.

Similar Posts