구글 딥마인드는 GNoME이라는 AI 도구를 이용해 이론적으로 인정하지만 실험적으론 실현되지 않은 새로운 결정 구조를 220만 종류나 발견했다. 220만 종류 숫자는 지금까지 발견된 결정 구조 45배 이상이다.
컴퓨터 칩과 배터리, 태양전지판에 이르기까지 현대 기술은 무기 결정에 의존한다. 새로운 기술을 실현하려면 결정이 안정적이어야 하며 그렇지 않으면 분해될 가능성이 있기 때문이다. 새로운 안정된 결정을 얻으려면 몇 개월간 정밀한 실험이 필요했다.
구글 딥마인드 연구팀은 11월 30일 학술지 네이처에서 발표한 논문을 통해 220만 종류 새로운 결정 구조 발견을 공유하고 있다. 새로운 결정 구조 발견에는 새로운 재료 안정성을 예측해 신소재 발견 속도와 효율을 극적으로 향상시키는 딥러닝 도구인 GNoME(Graph Networks for Materials Exploration)이 이용되고 있다.
GNoME을 이용해 새롭게 발견된 결정 구조는 220만 종류가 있으며 이 가운데 38만 종류는 구조적으로 안정된 것으로 기대되고 있다. 이런 결정 구조 중에는 초전도체, 슈퍼컴퓨터, 차세대 배터리 등 혁신 기술로 이어질 가능성을 지닌 재료가 포함되어 있다고 한다.
연구팀은 재료 과학이란 기본적으로 추상적 사고와 물리적 우주가 만나는 곳이라며 더 뛰어난 재료가 있다면 어떤 기술도 개선할 수 있다고 밝혔다. GNoME에선 기계학습을 이용해 처음으로 후보가 되는 구조를 생성하고 그 다음 해당 구조 안정성을 평가해 새로운 결정 구조를 특정하고 있다. 또 지난 10년간 발견된 안정된 물질 수는 2만 8,000종이기 때문에 GNoME을 이용한 신소재 발견은 800년분 지식량에 상당한다는 설명이다.
GNoME은 GNN 모델로 입력 데이터는 원자간 접속에 비유할 수 있는 그래프 형식을 취한다고 한다. 따라서 GNN은 새로운 결정 구조 발견에 적합하다고 한다. GNoME은 결정 구조와 안정성에 대한 데이터로 훈련받으며 점진적 훈련 사이클 중 모델 예측력을 평가하기 위해 안정성을 평가하는데 중요한 원자 구조를 이해하기 위해 물리학, 화학, 재료 과학에서 사용되는 DFT로 알려진 확립된 계산 기술을 사용해 결정 구조 성능을 반복적으로 확인한다.
구글 딥마인드는 GNoME 성능을 획기적으로 향상시키기 위해 활성 학습이라는 학습 과정을 채택했다. GNoME은 새로운 안정적인 결정 구조에 대한 예측 데이터를 생성하고 이를 DFT를 사용해 테스트했으며 그 결과는 고품질 트레이닝 데이터로 GNN 모델을 학습하는데 사용된다.
외부 벤치마크 테스트를 이용해 측정하는 재료 안정성 예측에서 발견율은 첨단 모델의 경우 50%지만 GNoME은 80%라는 높은 수치를 나타냈다. 또 GNoME이 발견한 새로운 결정 구조를 여러 연구실이 독자 합성하고 있어 예측이 맞는지 실증하고 있다. 관련 내용은 이곳에서 확인할 수 있다.