Google DeepMind가 AI 툴을 사용해 220만 종류의 새로운 결정 구조를 발견, 지금까지의 45배 이상

 
 
Google의 AI 연구 부문인 Google DeepMind는 'GNoME'이라는 AI 도구를 사용하여 이론적으로는 안정되지만 실험적으로는 실현되지 않은 새로운 결정 구조를 220만 종류나 발견했습니다. 220만 종류의 숫자는 지금까지 발견된 결정 구조의 45배를 넘습니다.

Scaling deep learning for materials discovery | Nature
https://www.nature.com/articles/s41586-023-06735-9

Millions of new materials discovered with deep learning - Google DeepMind

Blog

컴퓨터 칩, 배터리, 태양 전지판에 이르기까지 현대 기술은 무기의 결정(結晶)에 의존합니다. 새로운 기술을 실현하려면 결정(結晶)이 안정적이어야 하고, 그렇지 않으면 분해될 가능성이 있기 때문입니다. 새로운 안정된 결정을 얻기 위해서는 몇 달 동안 정밀한 실험이 필요합니다.

Google DeepMind의 새로운 결정 구조 발견에는 새로운 재료의 안정성을 예측함으로써 신소재의 발견 속도와 효율을 극적으로 향상하는 딥 러닝 툴인 「Graph Networks for Materials Exploration(GNoME)」이 이용되고 있습니다.

GNoME을 사용하여 새롭게 발견된 결정 구조는 220만 종류가 있으며, 이 중 38만 종류는 구조적으로 안정된 것으로 기대됩니다. 이러한 결정 구조 중에는 초전도체, 슈퍼컴퓨터, 차세대 배터리 등 혁신적인 기술로 이어질 가능성을 지닌 재료가 포함되어 있다고 합니다.

지난 10년간 발견된 안정된 물질의 수는 2만 8,000종이기 때문에 GNoME를 이용한 신소재의 발견은 "800년분의 지식량에 해당합니다"라고 Google DeepMind는 코멘트.

GNoME는 최첨단 그래프 신경망(GNN) 모델로, 입력 데이터는 원자 간의 접속에 비유할 수 있는 그래프 형식을 취합니다. 따라서 GNN은 새로운 결정 구조의 발견에 특히 적합하다는 것. GNoME은 결정 구조와 그 안정성에 대한 데이터로 훈련을 받으며 점진적인 훈련 사이클에서 모델의 예측력을 평가하기 위해 안정성을 평가하는 데 중요한 원자의 구조를 이해하기 위해 물리학, 화학, 재료 과학에서 사용되는 밀도 범함수 이론(DFT)으로 알려진 확립된 계산 기술을 사용하여 결정 구조의 성능을 반복적으로 확인합니다.

Google DeepMind는 GNoME의 성능을 획기적으로 향상하기 위해 '활성 학습'이라는 교육 과정을 채택했습니다. GNoME은 새로운 안정적인 결정 구조에 대한 예측 데이터를 생성하고 이를 DFT를 사용하여 테스트하였으며, 그 결과는 고품질 트레이닝 데이터로 GNN 모델을 트레이닝하는 데 사용됩니다.

외부 벤치마크 테스트를 사용하여 측정하는 재료의 안정성 예측에서 발견율은 최첨단 모델의 경우 약 50%이지만, GNoME은 80%라는 매우 높은 수치를 나타냈습니다. 또한 GNoME이 발견한 새로운 결정 구조를 여러 연구실이 독자적으로 합성하고 있어, 이 예측이 올바른 것이라고 실증하고 있습니다.

 

알파고는 시작에 불과했네요

AI야 이제, 건다리움 합금을 만들어 버렷...