추가 훈련없이 잠재적으로 유용한 신소재를 발견하는 AI 알고리즘이 개발됐다.

NIST(National Institute of Standards and Technology)연구팀은 네이처 커뮤니케이션즈(Nature Communications)에 AI 알고리즘 ‘CAMEO’에 대한 연구를 발표했다.

재료 탐색 및 최적화를 위한 폐쇄-루프 자율 시스템 ‘CAMEO(Closed-loop autonomous materials exploration and optimization)’는 중복 정보를 제공하는 실험을 건너뛰고 각 실험이 과학자의 지식과 이해를 극대화 한다. 과학자들이 적은 수의 실험으로 목표에 더 빨리 도달할 수 있도록 지원하면 실험실에서 제한된 리소스를 더 효율적으로 사용할 수 있다.

기계 학습은 컴퓨터 프로그램이 데이터에 액세스하고 데이터를 직접 처리할 수 있는 프로세스로, 반복 훈련에 의존하는 대신 자동으로 개선된다. 이것이 예측과 불확실성을 사용해 다음에 시도할 실험을 결정하는 자가학습 AI CAMEO의 기반이다. 이름에서 알 수 있듯이 CAMEO는 폐쇄 루프에서 작동해 유용한 새 재료를 찾는다. 재료에 대해 실행할 실험을 결정하고 실험을 수행하고 데이터를 수집한다.

또한 다음 실험을 실행하기 전에 과학자에게 원하는 물질의 결정 구조와 같은 추가 정보를 요청할 수 있으며, 이는 루프에서 수행된 모든 과거 실험에 의해 정보를 받는다.

일반적인 조합 연구에서는 배열의 모든 재료를 순차적으로 측정하여 최상의 특성을 가진 화합물을 찾는다. 빠른 측정 설정으로도 시간이 오래 걸린다. CAMEO AI는 또한 과거 시뮬레이션 및 실험실 실험에 대한 지식, 장비 작동 방식 및 물리적 개념을 포함한 주요 원칙에 대한 지식을 포함하도록 설계됐다.

연구원들은 화학 조성과 온도에 따라 물질의 원자 배열이 어떻게 변하는지를 설명하는 위상 매핑에 대한 지식으로 CAMEO를 설계했다. 원자가 재료에 배열되는 방식을 이해하는 것은 재료가 얼마나 단단하거나 전기적으로 절연되어 있는지, 특정 응용 분야에 얼마나 적합한 지와 같은 특성을 결정하는 데 중요하다.

물질의 구조를 알아내는 가장 좋은 방법 중 하나는 X 선 회절이라는 기술로 X 선으로 충격을 가하는 것이다. 과학자들은 X 선이 반사되는 각도를 확인함으로써 원자가 물질에 어떻게 배열돼 있는지를 파악하여 결정 구조를 파악할 수 있다. 그러나 단일 사내 X 선 회절 실험은 1 시간 이상 걸릴 수 있다. 축구장 크기의 대형 기계가 빛의 속도에 가깝게 전하를 띤 입자를 가속화하는 싱크로트론 시설에서는 빠르게 움직이는 입자가 많은 수의 X-ray를 방출하기 때문에 이 과정은 10초가 소요될 수 있다. 이것은 스탠포드 싱크로트론 방사광원(SSRL)에서 수행된 실험에 사용한 방법이다.

알고리즘은 데이터 네트워크를 통해 X선 회절 장비에 연결되는 컴퓨터에 설치된다. CAMEO는 원자 구조를 조사하기 위해 X 선이 집중하는 재료를 선택해 다음에 연구할 재료 구성을 결정한다. 새로운 반복마다 CAMEO는 과거 측정에서 학습하고 연구할 다음 재료를 식별한다. 이를 통해 AI는 재료의 구성이 구조에 미치는 영향을 탐색하고 작업에 가장 적합한 재료를 식별할 수 있다. AI를 사용해 재료에 가장 적합한 구성을 결정하기 위해 “레시피”또는 실험을 검색한다.

CAMEO는 광범위한 구성 레시피를 포함하여 조사할 수 있는 177개의 재료를 제공 받았다. CAMEO는 19개의 서로 다른 실험 사이클을 수행하는 데 10시간이 걸렸다. 이는 과학자가 90 시간이 걸려 수행해야 하는 실험이다. 새로운 물질 GST467는 세 가지 다른 원소(게르마늄, 안티몬 및 텔루륨, Ge-Sb-Te)로 구성되어 있으며 상변화 기억 물질이다. 즉, 원자 구조를 결정체(원자가 지정된 규칙적인 위치에 있는 고체 물질)에 열을 가하여 빠르게 녹일 때 무정형 (무작위 위치에 원자가있는 고체 물질)로 변한다. 이러한 유형의 재료는 데이터 저장과 같은 전자 메모리 애플리케이션에 사용된다. Ge-Sb-Te 합금 시스템에는 무한한 조성 변화가 가능하지만 CAMEO에서 발견한 새로운 소재 GST467은 상 변화 응용 분야에 최적이다.

연구원들은 CAMEO가 결정 상태와 비정질 상태 사이의 “광학 대비”에서 가장 큰 차이를 가진 최고의 Ge-Sb-Te 합금을 찾기를 원했다. 예를 들어 DVD 또는 Blu-ray 디스크에서 광학 대비를 사용하면 반사율이 높거나 낮은 영역을 구분하여 스캐닝 레이저가 디스크를 읽을 수 있다. 그들은 GST467이 DVD에 일반적으로 사용되는 잘 알려진 재료보다 광학 대비가 두 배라는 것을 발견했다. 대비가 클수록 새로운 소재가 기존 소재보다 상당한 차이를 보일 수 있다.

GST467에는 회로에서 빛의 방향을 제어하는 광 스위칭 장치용 애플리케이션도 있다. 또한 뇌에있는 뉴런의 구조와 기능을 모방하는 장치를 개발하는 데 초점을 맞춘 연구 분야인 뉴로모픽 컴퓨팅에도 적용될 수 있다. 복잡한 이미지에서 유용한 데이터를 추출하는 것과 같은 다른 응용 프로그램뿐만 아니라 새로운 종류의 컴퓨터에 대한 가능성을 열어준다.

CAMEO의 코드는 오픈 소스이며 과학자와 연구원이 자유롭게 사용할 수 있습니다. 유사한 기계 학습 접근 방식과 달리 CAMEO는 결정 물질의 구성-구조-특성 관계에 초점을 맞춰 유용한 새로운 화합물을 발견했다. 이러한 방식으로 알고리즘은 재료 기능의 구조적 기원을 추적, 발견 과정을 탐색했다.

싱크로트론 시설에서 실험을 제안, 계획 및 실행하려면 시간과 비용이 필요하기 때문에 CAMEO의 한 가지 이점은 비용을 최소화하는 것이다. 연구자들은 CAMEO를 사용한 실험 시간이 10 배 단축될 것으로 추정한다. 수행되는 실험 횟수가 10 분의 1로 줄어들 수 있기 때문이다.

또 다른 이점은 과학자들이 원격으로 작업할 수 있는 기능을 제공하는 것이다. 이는 과학자들이 COVID-19와 같은 전염성 질병이나 바이러스와 관련된 연구를 수행하고자 한다면 AI에 의존해 실험실에서 실험을 수행하면서 안전하고 원격으로 수행할 수 있다.

현재 연구원들은 AI를 계속 개선하고 있다. NIST 연구원 아론 길라드 쿠스너(Aaron Gilad Kusne)는 “CAMEO는 로봇 과학자의 지능을 가지고 있으며 매우 효율적인 방식으로 실험을 설계, 실행 및 학습하도록 제작됐다”고 말했다.

http://scimonitors.com/ai-%ec%95%8c%ea%b3%a0%eb%a6%ac%ec%a6%98-%ec%9e%90%ea%b0%80-%ed%95%99%ec%8a%b5%ec%9c%bc%eb%a1%9c-%ec%8b%a0%ec%86%8c%ec%9e%ac-%ec%8b%9d%eb%b3%84/