Google 과학자들이 인공 지능을 사용하여 380,000개의 새로운 물질을 발견했습니다.

[이매진]

Google 과학자들이 인공 지능을 사용하여 380,000개의 새로운 물질을 발견했습니다.

https://scitechdaily.com/google-scientists-discovered-380000-new-materials-using-artificial-intelligence/

Google Scientists Discovered 380,000 New Materials Using Artificial Intelligence

주제:인공지능크리스탈암사슴Google로렌스 버클리 국립 연구소기계 학습재료과학

로렌스 버클리 국립연구소(LAWRENCE BERKELEY NATIONAL LABORATORY) 2024년 1월 16일

신소재에 대한 개방형 데이터베이스인 Materials Project는 Google DeepMind가 400,000개의 새로운 화합물을 제공하면서 연구자들이 미래 기술을 위한 소재를 발견하고 개발하는 방식에 혁명을 일으키고 있습니다. AI, 슈퍼컴퓨팅 및 실험 데이터의 이러한 시너지 효과는 재생 에너지, 효율적인 전자 제품 및 환경 솔루션과 같은 응용 분야를 위한 재료 생성 속도를 높입니다. (아티스트의 컨셉). 신용: SciTechDaily.com

오픈 액세스 리소스의 확장은 과학자들이 미래 기술을 위한 새로운 소재를 개발하는 데 중요한 역할을 합니다.

기술의 새로운 발전으로 인해 종종 새로운 재료의 개발이 필요하게 됩니다. 슈퍼컴퓨터와 고급 시뮬레이션 덕분에 연구자들은 시간이 많이 걸리고 종종 비효율적인 시행착오 과정을 우회할 수 있습니다.

2011년 에너지부의 로렌스 버클리 국립 연구소(Berkeley Lab) 에서 설립된 공개 액세스 데이터베이스인 재료  프로젝트 (Materials Project )는 알려진 재료와 예측 재료의 특성을 모두 계산합니다. 연구자들은 미래 기술을 위한 유망한 소재에 집중할 수 있습니다. 자동차의 연비를 향상시키는 더 가벼운 합금, 재생 가능 에너지를 강화하는 보다 효율적인 태양 전지, 차세대 컴퓨터를 위한 더 빠른 트랜지스터 등을 생각해 보세요. 

이제 Google의 인공 지능 연구소인 Google DeepMind는 재료 프로젝트에 약 400,000개의 새로운 화합물을 제공하여 연구자들이 활용할 수 있는 정보의 양을 확대하고 있습니다. 데이터 세트에는 물질의 원자 배열 방식(결정 구조)과 물질의 안정성(형성 에너지)이 포함됩니다. 

재료 프로젝트는 재료의 원자 구조를 시각화할 수 있습니다. 이 화합물(Ba₆Nb₇O2₁)은 GNoME이 계산한 새로운 재료 중 하나입니다. 바륨(파란색), 니오븀(흰색), 산소(녹색)가 포함되어 있습니다. 출처: 재료 프로젝트/버클리 연구소

버클리 연구소 재료 프로젝트의 창립자이자 이사이자 UC 버클리 교수인 크리스틴 페르손(Kristin Persson)은 “지구 환경 및 기후 문제를 해결하려면 새로운 재료를 만들어야 합니다.”라고 말했습니다. “재료 혁신을 통해 우리는 잠재적으로 재활용 가능한 플라스틱을 개발하고, 폐기물 에너지를 활용하고, 더 나은 배터리를 만들고, 더 오래 지속되는 더 저렴한 태양광 패널을 만들 수 있습니다.”

재료 발견에서 GNoME의 역할

새로운 데이터를 생성하기 위해 Google DeepMind는 GNoME(Graph Networks for Materials Exploration)라는 딥 러닝 도구를 개발했습니다. 연구원들은 Materials Project에서 10년 이상 개발한 작업흐름과 데이터를 사용하여 GNoME를 훈련시켰고, 능동 학습을 통해 GNoME 알고리즘을 개선했습니다. GNoME 연구원들은 궁극적으로 재료 프로젝트에 추가하고 예측하는 380,000개를 포함하여 220만 개의 결정 구조를 생산하여 안정적이므로 미래 기술에 잠재적으로 유용할 것으로 예상합니다. Google DeepMind의 새로운 결과는 최근 Nature 저널에 게재되었습니다 .

인공지능이 유도하는 로봇은 머티리얼 프로젝트에서 예측한 40개 이상의 신소재를 만들어냈다. GNoME의 데이터는 예측된 재료가 안정적인지 여부를 추가로 확인하는 데 사용되었습니다. 출처: Marilyn Sargent/Berkeley Lab

GNoME의 계산 중 일부는 재료 프로젝트의 데이터와 함께 인공 지능이 로봇이 새로운 재료를 만들도록 안내하는 Berkeley Lab의 시설인 A-Lab을 테스트하는 데 사용되었습니다. Nature 에도 게재된 A-Lab의 첫 번째 논문은  자율 연구실이 최소한의 인간 입력으로 신속하게 새로운 물질을 발견할 수 있음을 보여주었습니다. 

17일 동안 독립적으로 운영된 A-Lab은 58개의 시도 중 41개의 새로운 화합물을 성공적으로 생산했습니다. 이는 하루에 2개 이상의 새로운 재료가 생산되는 비율입니다. 비교하자면, 인간 연구원이 원하는 재료에 도달하더라도 하나의 새로운 재료를 만드는 데 수개월 간의 추측과 실험이 필요할 수 있습니다. 

재료 프로젝트에서 예측한 새로운 화합물을 만들기 위해 A-Lab의 AI는 과학 논문을 샅샅이 뒤지고 능동적 학습을 통해 조정하여 새로운 레시피를 만들었습니다. 재료 프로젝트와 GNoME의 데이터를 사용하여 재료의 예상 안정성을 평가했습니다.

Berkeley Lab의 재료 프로젝트를 통해 연구자들은 다양한 재료에 대한 중요한 정보에 접근할 수 있습니다. 이 이미지는 Materials Project 데이터베이스에 있는 12개 화합물의 구조를 보여줍니다. 출처: Jenny Nuss/Berkeley Lab

A-Lab의 수석 연구원이자 Berkeley Lab 및 UC Berkeley의 과학자인 Gerd Ceder는 "우리는 71%라는 엄청난 성공률을 보였으며 이를 개선할 수 있는 몇 가지 방법이 이미 있습니다."라고 말했습니다. “우리는 이론과 데이터 측면을 자동화와 결합하면 놀라운 결과를 얻을 수 있다는 것을 보여주었습니다. 우리는 그 어느 때보다 빠르게 재료를 만들고 테스트할 수 있으며, 재료 프로젝트에 더 많은 데이터 포인트를 추가하면 더욱 현명한 선택을 할 수 있습니다.” 

재료 프로젝트의 영향과 미래

재료 프로젝트는 세계에서 가장 널리 사용되는 무기 재료 정보의 공개 액세스 저장소입니다. 데이터베이스는 수십만 개의 구조와 분자에 대한 수백만 개의 속성을 보유하고 있으며, 주로 Berkeley Lab의 국립 에너지 연구 과학 컴퓨팅 센터에서 처리되는 정보입니다. 이 사이트에는 40만 명 이상의 사용자가 등록되어 있으며, 매일 평균 4편 이상의 재료 프로젝트 인용 논문이 출판됩니다. Google DeepMind의 기여는 재료 프로젝트가 시작된 이후 그룹의 구조 안정성 데이터 중 가장 큰 추가입니다.

Google DeepMind의 재료 발견 팀 책임자인 Ekin Dogus Cubuk은 "GNoME 프로젝트가 무기 결정에 대한 연구를 촉진할 수 있기를 바랍니다."라고 말했습니다. "외부 연구자들은 동시적이고 독립적인 물리적 실험을 통해 이미 736개 이상의 GNoME 신소재를 검증했으며, 이는 우리 모델의 발견이 실험실에서 실현될 수 있음을 입증했습니다."

이 1분짜리 저속 촬영은 전 세계 사람들이 4시간 동안 재료 프로젝트를 어떻게 사용하는지 보여줍니다. 데이터 대시보드에는 요청 수, 사용자 국가, 가장 자주 쿼리되는 재료 특성을 포함하여 전 세계 재료 프로젝트 활동의 1시간 창이 표시됩니다. 출처: Patrick Huck/Berkeley Lab

재료 프로젝트는 현재 Google DeepMind의 화합물을 처리하고 이를  온라인 데이터베이스 에 추가하고 있습니다 . 새로운 데이터는 연구자들이 무료로 사용할 수 있으며 Materials Project와 협력하는 A-Lab과 같은 프로젝트에도 제공됩니다.

Berkeley Lab의 Molecular Foundry 소장이기도 한 Persson은 “사람들이 우리가 수행한 작업을 사용하여 전례 없는 양의 재료 정보를 생산한다는 사실이 정말 기쁩니다.”라고 말했습니다. “이것이 제가 재료 프로젝트를 통해 시작한 일입니다. 제가 생산한 데이터를 무료로 만들고 전 세계의 재료 설계를 가속화하는 데 사용할 수 있을 뿐만 아니라 컴퓨터가 여러분을 위해 무엇을 할 수 있는지 세상에 가르치는 것입니다. 그들은 실험만으로 할 수 있는 것보다 더 효율적이고 빠르게 새로운 화합물과 특성을 찾기 위해 넓은 공간을 스캔할 수 있습니다."

재료 프로젝트에 대한 많은 계산은 버클리 연구소의 국립 에너지 연구 과학 컴퓨팅 센터의 슈퍼컴퓨터에서 수행됩니다. 출처: Thor Swift/Berkeley Lab

지난 10년 동안 재료 프로젝트의 데이터에서 유망한 단서를 추적함으로써 연구자들은 여러 영역에 걸쳐 새로운 재료의 유용한 특성을 실험적으로 확인했습니다. 일부는 사용 가능성을 보여줍니다.

• 탄소 포집(대기에서 이산화탄소를 끌어당김)
• 광촉매(빛에 반응하여 화학 반응 속도를 높이고 오염 물질을 분해하거나 수소를 생성하는 데 사용할 수 있는 물질)
• 열전(폐열을 활용하여 전력으로 전환하는 데 도움이 되는 재료)
• 투명 전도체(태양 전지, 터치 스크린 또는 LED에 유용할 수 있음) 

물론 이러한 유망한 물질을 찾는 것은 인류의 큰 기술 과제를 해결하기 위한 여러 단계 중 하나일 뿐입니다.

페르손은 “재료를 만드는 것은 마음이 약한 사람을 위한 것이 아닙니다.”라고 말했습니다. “소재를 계산하고 상용화하는 데 오랜 시간이 걸립니다. 올바른 속성을 갖고, 장치 내에서 작동하고, 확장이 가능하고, 적절한 비용 효율성과 성능을 갖춰야 합니다. 재료 프로젝트 및 A-Lab과 같은 시설의 목표는 데이터를 활용하고, 데이터 기반 탐색을 활성화하고, 궁극적으로 기업에 목표 달성에 더 많은 실행 가능한 기회를 제공하는 것입니다.”

참고: Nathan J. Szymanski, Bernardus Rendy, Yuxing Fei, Rishi E. Kumar, Tanjin He, David Milsted, Matthew J. McDermott, Max Gallant, Ekin Dogus Cubuk, Amil의 "새로운 재료의 가속 합성을 위한 자율 실험실" 상인, 김해겸, Anubhav Jain, Christopher J. Bartel, Kristin Persson, Yan Zeng 및 Gerbrand Ceder, 2023년 11월 29일,  Nature .
DOI: 10.1038/s41586-023-06734-w