Machine learning could vastly speed up the search for new metals

새로운 유형의 금속 발견에도 유용한 머신러닝

머신러닝을 활용한 금속 발견은 우주부터 심해에 이르기까지 모든 곳에서 활용할 수 있는 유용한 방법이다.

극단적인 온도나 부식에 대한 저항성 등 유용한 특성을 가진 새로운 유형의 금속을 개발하는 데 머신러닝(machine learning)이 도움을 줄 수 있을 것이란 연구 결과가 발표됐다. 이러한 발전은 다양한 분야에서 유용할 수 있다. 예를 들어 저온에 강한 금속은 우주선을 개선하는 데 사용될 수 있고 부식에 강한 금속은 보트나 잠수함에 사용될 수 있다.

현재 과학자들은 일반적으로 연구실 실험을 통해 금속을 결합해서 새로운 금속을 만드는 방법을 발견한다. 실험은 보통 저렴하며 가단성이 있는 철(iron)처럼 잘 알려진 원소를 이용해서 시작된다. 그런 원소에 다른 원소를 한두 가지 더하면서 어떤 효과가 나타나는지 관찰하는 것이다. 이러한 방식은 시행착오를 동반하는 힘든 과정이며 필연적으로 유용한 결과보다는 실패를 더 많이 낳을 수밖에 없다.

그러나 10월 초 〈사이언스(Science)〉에 발표된 새 논문에 따르면 인공지능(artificial intelligence, AI)을 활용할 경우 연구자들이 유용한 금속 조합을 훨씬 더 정확하게 예측할 수 있을 것으로 보인다.

막스플랑크연구소(Max Planck Institute)의 연구원들은 이 방법을 이용해서 유망한 새 금속 17개를 발견하는 데 성공했다. 연구팀은 물질이 고온 또는 저온에 노출됐을 때 확장하거나 수축하는 정도를 나타내는 ‘인바(invar)’가 낮은 금속을 찾고 있었다.

인바가 낮은 금속은 극단적인 온도에서도 크기가 변하지 않는다. 막스플랑크연구소의 재료과학 연구원이자 이번 논문의 공동 저자인 쯔위안 라오(Ziyuan Rao)는 이러한 금속이 천연가스 운송과 저장처럼 금속의 특성이 유용하게 활용될 수 있는 산업에서 주로 사용된다고 설명했다.

연구팀은 AI와 연구실 실험을 조합해서 이러한 새 금속을 찾아낼 수 있었다. 우선 연구팀은 중요한 과제를 극복해야 했다. 중요한 과제란 머신러닝 모델을 학습시킬 때 사용할 기존 데이터가 없다는 것이었다. 그래서 연구팀은 기존 합금의 특성을 설명하는 수백 개의 데이터를 가지고 모델을 학습시켰다. AI 시스템은 그 데이터를 사용해서 낮은 인바를 보이는 새 금속을 예측했다.

다음 단계로 연구팀은 실험실에서 해당 금속을 만들어서 결과를 측정했고 그 결과를 다시 머신러닝 모델에 입력했다. AI 모델이 금속 조합을 제안하고 연구팀이 제안을 토대로 실험해서 데이터를 다시 모델에 입력하는 이러한 과정은 연구팀이 17가지 유망한 금속을 발견할 때까지 계속됐다.

연구 결과는 여전히 실험실 실험에 크게 의존하는 재료과학 분야에 머신러닝을 더 많이 활용할 기반을 마련하는 데 도움을 줄 것으로 보인다. 또한 재료과학 전문가에 따르면 머신러닝을 활용해서 예측하고 실험을 통해 확인하는 방식은 화학이나 물리학 같은 다른 분야의 발견에서도 응용될 수 있다.

퍼듀대학교의 재료공학과 마이클 타이터스(Michael Titus) 조교수는 “이번 연구가 왜 중요한 발전인지 이해하려면 새로운 화합물을 만드는 기존의 방식을 살펴볼 필요가 있다”고 말했다. 기존의 방식대로 실험실에서 실험하는 과정은 고되고 비효율적이다.

타이터스는 “기존 방식대로 특정한 특성을 나타내는 광물을 찾는 것은 ‘건초 더미에서 바늘 찾기’와 같다”고 설명했다. 그는 대학원 신입생들에게 우리가 발견할 수 있는 새로운 물질은 백만 개가 넘을 것이라고 말하곤 한다. 머신러닝은 연구자들이 그런 금속을 발견하기 위해 어떤 경로를 택할지 결정하는 데 도움을 줄 수 있다.

테네시대학교의 재료과학 및 공학과 이소 조지(Easo George) 교수는 연구팀이 새로운 기술을 사용해서 이루어낸 성과에 대해 “매우 인상적”이라고 말하며 놀라움을 드러냈다.

미래에 연구팀은 머신러닝을 활용해서 하나 이상의 바람직한 특성을 가진 새로운 합금을 발견하는 데 도움을 주고자 한다. 조지는 컴퓨터를 이용하는 방법이 재료과학의 미래에 매우 중요하다는 것에 동의한다.

그는 “머신러닝을 활용하는 방식이 앞으로 지배적인 방식이 될 수 있다”며 “기존 방식은 실험을 통해 너무나 광범위한 가능성을 탐구하느라 시간과 돈이 많이 들 수밖에 없었다”고 지적했다. 그러면서 그는 “문제는 이제 ‘뭔가 유용한 것을 찾고있는가?’가 될 것”이라고 전망했다.

미리보기 2회1회

MIT Technology Review 구독을 시작하시면 모든 기사를 제한 없이 이용할 수 있습니다.