* 이 기사는 MIT News에 작성된 David L. Chandler의 글을 번역하였습니다.

수백만 개의 가능성을 살펴본 결과, 배터리 재료를 찾는 것은 50년이 아닌 5주 만에 결과를 낳았다.

배터리나 기타 에너지 관련 장치와 같은 특정 용도에 사용할 수 있는 신소재에 대한 이론적 목록을 검색할 때, 고려할 수 있는 수백만 개의 잠재적 소재와 동시에 충족하고 최적화해야 하는 여러 가지 기준이 종종 있다. 이제, MIT의 연구원들은 기계 학습 시스템을 사용하여 발견 과정을 극적으로 간소화하는 방법을 발견했다.

시범적으로, 연구팀은 거의 300만 명의 후보 중에서 플로우 배터리라고 불리는 에너지 저장 시스템을 위해 가장 유망한 8개의 재료 세트에 도착했다. 그들은 이 과정이 전통적인 분석 방법으로는 50년이 걸렸을 것이라고 말하지만, 그들은 5주 만에 그것을 달성했다.

이 연구결과는 학술지 ACS Central Science에 보고되어 있으며, MIT의 Heather Kulik 교수, Jon Paul Janet 박사, Sahasrajit Ramesh 박사, 대학원생 Chenru Duan의 논문이다.

이 연구는 transition metal complexes라고 불리는 일련의 물질을 조사했다. 이것들은 다양한 형태로 존재할 수 있으며, Kulik은 "다른 많은 물질 단계와는 달리 정말 매력적이고 기능적인 물질"이라고 말한다. "왜 그들이 그렇게 일하는지 이해할 수 있는 유일한 방법은 양자역학을 이용하여 연구하는 겁니다."

이러한 수백만 가지 재료 중 하나의 특성을 예측하려면 시간이 많이 걸리고 자원이 많이 소모되는 분광학 및 기타 실험실 작업, 또는 가능한 각 후보 재료 또는 재료 조합에 대해 시간이 많이 걸리고 매우 복잡한 물리 기반 컴퓨터 모델링이 필요할 것이다. 그러한 각각의 연구는 몇 시간에서 며칠의 일을 소모할 수 있다.

그 대신 Kulik과 그녀의 팀은 소수의 다른 가능한 물질들을 취해서 그 물질들의 화학적 구성과 물리적 특성 사이의 관계에 대해 첨단 기계 학습 신경망을 가르치는 데 사용했다. 그 지식은 신경망의 다음 훈련에 사용될 수 있는 차세대 재료에 대한 제안을 생성하기 위해 적용되었다. 이 과정을 4회 연속 반복함으로써 신경망은 매번 현저하게 개선되었고, 더 이상의 반복은 더 이상의 개선을 낳지 못할 것이 분명한 지점에 도달했다.

이 반복적 최적화 시스템은 찾고 있는 두 가지 상충되는 기준을 충족하는 잠재적 해결책에 도달하는 과정을 크게 간소화했다. 한 요인을 개선하는 것이 다른 요인을 악화시키는 경향이 있는 상황에서 최선의 해결책을 찾는 이러한 종류의 과정은 파레토 최적으로 알려져 있으며, 한 요인을 더 개선하면 다른 요인을 더 악화시킬 수 있는 요점을 그래프로 나타낸다. 즉, 그래프는 각 요인에 할당된 상대적 중요도에 따라 가능한 최선의 타협점을 나타낸다.

전형적인 신경망을 훈련하려면 수천 개에서 수백만 개에 이르는 매우 큰 데이터 세트가 필요하지만, Kulik과 그녀의 팀은 파레토 최적 모델을 기반으로 한 이 반복 과정을 사용하여 공정을 능률화하고 몇 백 개의 샘플만을 사용하여 신뢰할 수 있는 결과를 제공할 수 있었다.

플로우 배터리 소재에 대한 선별의 경우, 다음과 같이 원하는 특성이 충돌되었다. 최적의 재료는 높은 용해도와 높은 에너지 밀도(주어진 중량에 대해 에너지를 저장하는 능력)를 가질 것이다. 그러나 용해도를 높이면 에너지 밀도가 감소하는 경향이 있고, 그 반대의 경우도 있다.

신경망은 유망한 후보들을 빠르게 생각해 낼 수 있었을 뿐만 아니라, 각 반복을 통해 각기 다른 예측에 대한 신뢰도를 부여할 수 있었고, 이는 각 단계에서 샘플 선택의 정교화를 가능하게 했다. Kulik은 "우리는 이 모델들이 언제 실패할지 알기 위해 동급 최고의 불확실성 정량화 기법을 개발했다"고 말했다.

개념 증명 시험에서 그들이 선택한 도전은 깨끗하고 재생 가능한 에너지를 가능하게 하는데 중요한 역할을 할 수 있는 그리드 규모의 대형 배터리에 대한 가능성을 가진 배터리의 일종인 리독스 플로우 배터리에 사용하기 위한 재료였다. Transition metal complexes는 이러한 배터리에 선호되는 재료 범주지만, 기존의 방법으로 평가하기에는 너무 많은 가능성이 있다고 Kulik은 말한다. 그들은 실험가들이 이러한 후보들의 잠재력과 그들의 변형을 탐구할 수 있도록 하는 일련의 설계 규칙과 함께 궁극적으로 8개의 좋은 후보들로 분류하기 전에 300만 개의 리스트를 가지고 시작했다.

"이 과정을 통해 신경망은 [설계] 공간에 대해 점점 더 똑똑해 지지만, 또한 우리가 이미 특징지은 것 이상의 것이 우리가 이미 알고 있는 것을 더 향상시킬 수 있다는 것을 점점 더 비관적으로 보이게 된다."고 그녀는 말한다.

이 시스템을 사용하여 추가적인 조사를 위해 제안된 특정 Transition metal complexes와는 별도로, 이 방법 자체가 훨씬 더 광범위한 적용이 가능할 수 있다고 그녀는 말한다. "여러 가지 목표를 한 번에 해결하고자 하는 모든 재료 설계 문제에 적용할 수 있는 프레임워크로 간주한다. 알다시피, 가장 흥미로운 재료 디자인 과제는 여러분이 개선하려고 노력하는 것이 있지만, 그것을 개선하는 것은 또 다른 것을 악화시키는 것이다. 그리고 우리에게 있어 리독스 플로우 배터리 리독스 커플은 우리가 이 기계 학습과 가속화된 재료 발견으로 어디를 갈 수 있다고 생각하는지를 잘 보여주는 것일 뿐이었다."

예를 들어, 다양한 화학적, 산업적 공정을 위한 촉매의 최적화는 또 다른 종류의 복잡한 재료 검색이라고 Kulik은 말한다. 현재 사용되는 촉매는 종종 희귀하고 값비싼 원소를 포함하므로, 풍부하고 저렴한 재료에 기초하여 유사하게 효과적인 화합물을 찾는 것이 큰 이점이 될 수 있다.

“이 논문은 화학과학에서 다차원 지향적 개선을 처음으로 적용한 논문이라고 생각합니다. 그러나 이 작품의 장기적인 중요성은 방법론 자체에 있는데, 그렇지 않으면 전혀 불가능할 수도 있는 것들 때문이다. 여러분은 병렬 연산이 있었더라도, 이런 경우들은 우리가 다른 방법으로 설계 원리를 고안하지 못했을 것이라는 사실을 깨닫기 시작했을 것이다. 그리고 이 단서들은 우리 작품에서 나오고 있는데, 반드시 문헌에서 이미 알려진 모든 생각이나 전문가가 당신을 가리킬 수 있었을 것이라는 생각은 아니다."

이 연구와 관련이 없었던 노스웨스턴 대학의 화학 및 화학 및 생물학 공학 교수인 George Schatz는 "이것은 통계, 응용 수학, 물리 과학에서 매우 유용할 개념의 아름다운 조합"이라고 말한다. 그는 이 연구가 "다중 목표가 있을 때 기계 학습을 하는 방법을 다루고 있다."고 말한다. Kulik의 접근법은 전이 금속 이온과 유기 리간드의 조합이 산화 환원 흐름 전지 전해질에 가장 좋은지를 예측하는 데 사용되는 인공 신경망을 훈련시키기 위해 첨단 방법을 사용한다."

Schatz는 "이 방법은 많은 다양한 맥락에서 사용될 수 있기 때문에 전 세계의 주요 활동인 기계 학습을 변화시킬 수 있는 잠재력을 가지고 있다"고 말한다.

이 작업은 해군 연구실, 국방고등연구사업청(DARPA), 미국 에너지부, 버로우즈 웰컴 펀드, AAAS 마 이온 밀리건 메이슨 상이 지원했다.

번역 - 핀인사이트 인턴연구원 김영현

원문 보러가기 >

http://news.mit.edu/2020/neural-networks-optimize-materials-search-0326