AI 논문 요약, '유망 신소재' 38만개 찾은 딥마인드의 AI기술

안녕하세요. 오늘은 AI분야 최신 논문을 요약해서 알아보는 여섯 번째 시간입니다. 최근 구글 딥마인드가 AI로 유망 신소재 38만 개를 찾았다는 기사와 논문이 발표되었는데요. 딥마인드가 신소재를 찾은 AI기술이 어떤 것인지 알아보겠습니다. 블로그 내용은 ChatGPT에 해당 논문 pdf를 입력해서 요약 및 해석한 결과를 바탕으로 작성하였습니다. 

'유망 신소재' 38만개 찾은 딥마인드의 AI기술 - 빙 이미지 크리에이터

 

딥마인드, AI로 '유망 신소재' 38만개 찾았다

 

논문의 개요 및 목적

먼저, 논문의 개요입니다. 관련 논문은 2편이며, 각각의 제목은 "신소재의 고속합성을 위한 자율실험실"과 "물질 발견을 위한 딥 러닝 확장"입니다. 

• 논문 제목 : An autonomous laboratory for the accelerated synthesis of novel materials, Scaling deep learning for materials discovery
• 논문 저자 : Nathan J. Szymanski, Bernardus Rendy 외
• 논문 게재 사이트 : nature
• 논문 게재일 : 2023. 11

이 두 논문이 목적은 다음과 같습니다.

"첫 번째 논문은 A-Lab(Automated Laboratory)에서 자동화된 실험을 통해 무기 물질의 합성 및 특성화를 수행하는 방법에 대한 연구를 다룹니다. 연구의 목적은 기계 학습과 인공 지능 기술을 활용하여 신규 무기 물질의 찾기 및 합성 과정을 향상하는 것입니다."

 

"'두 번째 논문은 GNoME라는 기계 학습 모델을 사용하여 새로운 안정적인 결정 구조 및 전자 소재를 발견하는 데 중점을 두고 있습니다. DeepMind 연구팀은 이를 위해 자체적인 데이터 생성 및 학습 방법을 사용하여 안정성, 전기적 및 전자적 특성을 예측하는 모델을 개발했습니다. 주요 목적은 더 빠르고 효율적인 물질 발견을 위해 기계 학습 기술을 적용하고, 이로써 잠재적으로 혁신적인 소재를 찾을 수 있는 데이터 주도의 학습 시스템을 제공하는 것입니다."

 

이 두 연구의 목적은 새로운 무기 물질을 찾고 그 특성을 이해하는 것입니다. 무기 물질은 화학에서 무기적인 측면을 갖는 물질을 나타냅니다. 이는 주로 탄소를 기반으로 하지 않는 물질을 포함하며, 이에는 금속, 금속 산화물, 이산화물 등이 포함됩니다. 다른 말로 하면, 유기 화합물을 제외한 모든 화합물을 말합니다. 예를 들어, 금속인 철(Fe)은 무기 물질의 한 예입니다.

신소재의 고속합성을 위한 자율실험실 논문 - 구글 딥마인드

GNoME 기계 학습 모델 개발 논문 - 구글 딥마인드

 

반응형

논문검색 필수 도구 - 구글 플레이

 

논문의 연구내용 및 결과

먼저 첫 번째 논문의 주요 연구내용 및 결과를 3단계로 나누어 요약하면 다음과 같습니다. 

• 1단계 데이터 생성 및 분석 모델: 각 무기 물질 대상에 대해 특정 화학 공간에서 모델을 훈련합니다. 실험 데이터는 무기 결정 구조에 관한 광범위한 데이터베이스에서 추출되며, 전자의 밀도에 기반하여 물질의 전자 상태와 구조를 계산하는 물리학적 방법 중 하나인 DFT(Density Functional Theory, 밀도 기능 이론)로 계산된 대상에는 기계 학습된 보정이 적용됩니다. 실험 데이터를 기반으로 이미지 인식과 패턴 학습에 사용되는 딥러닝 기술 CNN(Convolutional Neural Network)을 훈련하여 무작위 변동 및 예상치 못한 현상이나 오류를 고려한 200개의 확산 패턴을 생성합니다.

1단계를 요약하면 "광범위한 데이터에서 추출한 무기 물질의 전자 상태와 구조를 계산한 후, 딥러닝 기술로 훈련하여 200개의 확산 패턴을 생성한다"입니다. 

신규 무기 물질을 찾아 합성하는 자동화된 실험 과정

• 2단계 자동 교정: 기계학습 에이전트를 사용하여 자동 교정을 수행합니다. 물질에 X선을 쏘아서 나오는 X선 패턴을 분석하여 결정 구조를 파악하는 XRD(X-ray Diffraction) 패턴의 교정은 실험 데이터와 이론적 모델 간의 일치를 향상해 실제 물질의 결정 구조를 더 정확하게 파악할 수 있도록 도와줍니다. 자동 교정이 부적합한 결과를 제공하면 수동 분석이 수행됩니다.

2단계를 요약하면 "1단계에서 생성된 200개의 확산 패턴 데이터를 자동 교정해서 최적의 구조 모델을 찾는다."입니다. 

• 3단계 능동 학습 알고리즘 : 이전 실험 결과를 기반으로 더 나은 반응 경로를 식별하는 ARROWS 3 알고리즘을 사용합니다. 낮은 온도에서 실험을 통해 중간 생성물에 대한 정보를 추출하고, 높은 온도에서 원하지 않는 불순물의 형성을 이해하기 위해 높은 온도에서 실험을 제안합니다. 높은 온도에서의 반응 경로를 파악하고, 그 정보를 활용하여 합성에 유리한 선행물 세트를 찾아가며 최종적으로 목표물을 합성합니다.

3단계를 요약하면 "2단계에서 교정된 결과를 자동학습 반응경로 최적화 알고리즘으로 최종 생성물을 합성한다."입니다. 

아래 화면은 ChatGPT와 논문에 대한 문답내용 중 일부입니다. 

 ChatGPT와 논문에 대한 대화과정

 

 

 

두 번째 논문의 연구내용 및 결과입니다.

• 데이터 생성과 훈련: GNoME(Generative Neural Network for Materials Exploration) 모델은 딥러닝 기반의 대규모 생성 및 평가 파이프라인을 사용하여 안정적인 결정 구조를 생성하고 평가했습니다. 다양한 무기 물질의 전자 상태와 구조에 대한 정보가 포함된 기존 데이터로부터 학습하여 새로운, 유사한 데이터를 생성할 수 있는 능력을 가지고 있습니다. 모델은 학습된 구조와 전자 상태의 패턴을 파악하고 이를 기반으로 안정된 결정 구조를 생성하고 평가합니다.
• 모델 성능 및 확장성: 논문은 GNoME 모델의 확장성을 평가하고 훈련 세트 크기와 모델 일반화 간의 관계를 보여줍니다. 학습 데이터의 구성, 분류 오차, 그리고 안정적인 물질의 실험적 일치 여부에 대한 성과를 탐색하였습니다.
• M3GNet 및 NequIP 모델 성능 비교: 딥러닝 기술을 활용한 다른 기존 모델과의 비교를 위해 M3GNet(분자 시스템의 동력학을 학습하여 분자의 움직임을 예측하는 모델) 및 NequIP(분자 간의 상호 작용을 설명하는 모델) 기반의 성능을 평가하였고, GNoME가 새로운 소재 발견에서 우수한 성과를 보여준다고 주장했습니다.
• 전기 전도성 및 안정성 평가: AIMD(분자 동역학 시뮬레이션)를 통해 전기 전도성 실험을 수행하고, 안정성 테스트를 통해 GNoME의 학습된 소재의 안정성을 확인하였습니다.

두 번째 논문의 주요 결과는 GNoME이 대량의 안정된 물질을 효율적으로 발견할 수 있음을 입증하고, 이를 통해 재료 발견 및 설계에 대한 혁신적인 기여를 제공한다는 점입니다. 이 논문에 따르면 GNoME는 48,000개의 안정적인 결정 구조를 기반으로 안정성을 예측하고, 이를 활용하여 2.2 백만 개의 새로운 안정적인 결정 구조를 발견했습니다. 이는 GNoME 모델이 안정성을 신속하게 평가하고 안정적인 소재를 식별하는 데 성공적으로 활용되었음을 시사합니다. 새로운 구조의 발견은 물질 연구 분야에서 더 많은 가능성을 제시하고, 기존에 알려지지 않았던 안정적인 소재의 발견을 통해 혁신적인 응용 가능성을 모색할 수 있게 합니다.

 ChatGPT와 논문에 대한 대화과정

"이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다."

https://fornewchallenge.tistory.com/

 

논문의 결론 및 전망

두 논문은 자동화된 실험 및 데이터 기반의 합성 최적화 접근법과, 딥러닝 기반의 학습 훈련모델이 무기 물질 연구 분야에 미치는 혁신적인 가치를 강조하며, 향후 이 분야의 발전에 대한 전망을 기술합니다. 또한, 머신러닝 및 인공 지능 기술이 물질과학 분야에 미치는 영향과 가능성을 고찰합니다. A-Lab, GNoME과 같은 도구는 다음과 같은 영향과 가능성을 높일 수 있습니다. 

• 효율적인 소재 발견 및 최적화: A-Lab과 같은 도구를 사용하면 대량의 실험 및 데이터를 빠르게 수행하고 기록할 수 있습니다. 이는 새로운 소재의 발견과 최적화를 더 빠르게 이루어지게 만들어, 물질과학의 연구 기간을 단축하고 효율성을 향상할 것입니다.
• 자동화된 실험의 확장성: A-Lab과 유사한 플랫폼은 실험을 확장 가능하게 만들어줍니다. 이는 다양한 물질 및 실험 유형에 대한 자동화된 접근법을 개발하고, 빠르게 변경 및 적용할 수 있는 유연성을 제공합니다.
• 연구 생산성 향상: A-Lab을 사용하면 연구자들은 시간과 노력을 절약하면서 높은 생산성을 유지할 수 있습니다. 이는 연구 프로세스의 효율성을 높이고, 연구에 소요되는 시간을 줄여주어 빠른 과학적 진전을 가능케 할 것입니다.

 

오늘은 신소재 발견을 가능하게 하는 딥마인드의 AI기술에 대해서 알아보았습니다. 다소 어려운 내용도 있지만 상식을 넓히는 수준에서 접근하시면 좋을것 같습니다. 저는 다음에 더욱 유익한 정보를 가지고 다시 찾아뵙겠습니다. 감사합니다. 

 

2023.11.28 - [AI 논문 요약] - AI 논문 분석 : 범용인공지능(AGI)의 정의와 수준, 그리고 미래

AI 논문 분석 : 범용인공지능(AGI)의 정의와 수준, 그리고 미래