AI 기반 실험실 내부: 재료 발견의 새로운 시대

많은 산업이 성장함에 따라, 재료 과학도 도움을 받고 인공지능(AI)으로.

여기서 머신러닝(ML) 알고리즘은 방대한 데이터셋을 분석하고 패턴을 식별하여 최소 시간 내에 유망한 재료 후보를 제안합니다, 시행착오 방법보다 훨씬 적은 자원을 소비합니다.

전통적인 수동, 인간 중심 작업은 보강되었으며 계산 시스템의 등장으로 복잡한 계산이 가능해졌지만, 이제 AI, 시뮬레이션 및 실험 자동화에 의해 구동되는 자동화된, 병렬적이며 반복적인 프로세스로 완전히 혁신되고 있습니다. 

AI 기술의 성숙과 고성능 컴퓨팅 및 하이브리드 클라우드 기술이 결합되어 재료 과학이 새로운 패러다임에 진입하도록 돕고 있습니다, 이는 새로운 재료의 가속화된 발견, 재료 특성의 예측 모델링 및 자율 실험을 특징으로 합니다. 

이 패러다임 전환은 연구자들이 시행착오 접근 방식에서 설계 기반으로 전환하도록 하여 개발 주기를 크게 단축하고 에너지, 전자, 의료 및 지속 가능성 응용 분야에서 첨단 재료의 길을 열어줍니다.

최근 노스캐롤라이나 주립대학 연구진은 자율 주행 실험실을 구축하여 실험실 자동화에서 새로운 도약을 이루고 과학자들의 재료 발견을 더욱 가속화했습니다.

자동화된 실험실은 전통적인 수동 방법보다 10배 더 많은 데이터를 수집합니다. 이를 통해 연구자들은 실시간, 동적 화학 실험을 수행하여 시간과 자원을 절약하면서 가능하게 더 빠른 돌파구를 만들 수 있습니다.

새로운 실험실 발견은 더 이상 수년이 걸리지 않을 것이며, 발명이 며칠 안에 이루어지는 미래를 기대하고 있습니다.

AI 기반 실험실: 실시간 학습을 통한 실시간 발견

위하여 청정 에너지, 인간 복지 및 지속 가능성에 대한 전 세계적인 도전을 극복하기 위해서는 중요합니다 고급 기능성 재료를 신속하게 발견하는 것이 필요합니다. 발견 및 새로운 재료의 합성은 혁신적인 기술의 핵심이기도 합니다 예를 들어 배터리, 컴퓨터 칩, 태양광 패널 등 많은 기타 분야.

그 결과, 많은 진전이 이루어졌으며 재료 가속화 플랫폼 및 자율 주행 실험실에서.

진전에도 불구하고, 이러한 플랫폼과 실험실이 복잡한 파라미터 공간을 탐색하는 능력은 방해받고 있습니다 낮은 데이터 처리량 때문에. 느린 데이터 전송 및 처리가 생산성 감소를 초래합니다.

따라서 NC State University 연구진은 “동적 흐름 실험을 도입하여 무기 재료 합성에서 일시적인 반응 조건을 정상 상태와 연속적으로 매핑함으로써 데이터 집약 전략을 구현”이라고 밝혔습니다.

발표된 저널 Nature Chemical Engineering¹, 이 연구는 실시간 실험을 사용하여 지속적으로 데이터를 수집하는 최첨단 자율 주행 실험실을 상세히 설명하며, 이를 통해 재료 발견을 더 빠르고 효율적으로 만들고 비용과 환경 영향을 줄입니다.

그들의 연구는 국립 과학 재단(National Science Foundation)과 노스캐롤라이나 대학교 연구 기회 이니셔티브 프로그램의 지원을 받았습니다.

이제, 자율 주행 실험실(SDLs)이란 무엇일까요? 이들은 머신러닝과 자동화를 화학 및 재료 과학과 결합하여 재료를 보다 빠르게 찾는 로봇 플랫폼입니다. 이러한 머신러닝 지원 모듈식 실험 플랫폼에서는 일련의 실험이, 선택된 머신러닝 알고리즘에 의해 선택되어 프로그래밍된 목표를 달성하기 위해 반복적으로 수행됩니다.

“과학자들이 청정 에너지, 새로운 전자 제품, 혹은 지속 가능한 화학 물질을 수년이 아닌 며칠 안에 발견하고, 기존보다 훨씬 적은 재료와 폐기물만을 사용한다면 어떨까요.”

– 논문의 공동 저자, Milad Abolhasani, 노스캐롤라이나 주립대학 화학 및 생체분자공학 ALCOA 교수

그는 덧붙였습니다:

“”이 작업은 그 미래를 한 단계 더 가까이 가져옵니다.” 

과학적 발견을 가속화하는 변혁적인 접근 방식을 대표하며, 자율 주행 실험실은 화학 및 재료 과학 분야에서 인기를 얻고 있습니다. 

연속 흐름 반응기를 활용하는 자율 주행 실험실은 종종 정상 상태 흐름 실험에 의존하는데, 여기서 다양한 전구체가 화학 반응이 일어나기 전에 결합되고 혼합물이 지속적으로 미세 채널을 통해 흐릅니다. 

그 결과물은 그것에서 나오는 것이 반응이 완료된 후 일련의 센서에 의해 특성 분석됩니다.

“이 기존의 자율 주행 실험실 접근 방식은 재료 발견에 큰 영향을 미쳤다”고 Abolhasani는 말했으며, 이는 과학자들이 몇 달 혹은 몇 주 안에 특정 응용을 위한 유망한 재료 후보를 식별하게 해주고, 비용과 환경 영향을 모두 줄여준다고 공유했습니다. 하지만 이것이 완벽한 것은 아니며, 아직 개선이 필요한 부분이 있습니다.

특히, 화학 반응이 일어날 때 시스템이 대기 상태가 되는 발생하는 결과 물질이 특성화되기 전. 자율 주행 실험실의 경우 각 정상 상태 흐름 실험마다 대기 시간이 최대 한 시간까지 될 수 있습니다.

“우리는 이제 화학 혼합물이 시스템을 통해 지속적으로 변하고 실시간으로 모니터링되는 동적 흐름 실험을 활용하는 자율 주행 실험실을 만들었습니다.”

– Abolhasani 

이것은 그들이 시스템을 통해 별도의 샘플을 실행하고 각각을 테스트하는 과정을 없애고 있다는 의미입니다 그 샘플들의 하나씩 동시에 상태에 도달한 후에. 

대신, 그들은 단순히 멈추지 않는 시스템을 구축했습니다. 샘플은 지속적으로 시스템을 통과합니다. 이는 “시스템이 샘플 특성 분석을 멈추지 않으며”, 연구자는 “샘플에서 일어나는 일을 매 0.5초마다 데이터로 포착할 수 있기 때문입니다.”

동적 흐름 실험을 자율 주행 유체 실험실에 통합하는 것은 전통적인 배치 실험과는 다른 전환을 의미합니다. 

전통적인 접근 방식에서는 개별 데이터 포인트가 수집되는 정상 상태 조건에서, 동적 흐름 실험에서는 동적 흐름 실험, 마이크로플루이딕 원리 가 활용되어 빠른 반응 조건 매핑을 수행합니다.

지속적인 데이터 흐름을 생성함으로써 접근 가능한 실험 데이터를 크게 확장합니다.

Abolhasani는 팀이 이제 얻는 실험이 생성하는 것에 대해 0.5초 반응 시간 후 첫 번째, 1초 후 두 번째 등 총 20개의 데이터 포인트를 얻으며, 이는 하나의 데이터 포인트를 10초 후에 얻던 이전과는 다릅니다. 그는 덧붙였습니다:

“단일 스냅샷에서 반응이 진행되는 전체 영화를 보는 것으로 전환한 것과 같습니다. 각 실험이 끝나기를 기다리는 대신, 우리 시스템은 항상 실행되고, 항상 학습합니다.” 

이렇게 많은 데이터를 보유하면 AI 기반 실험실의 성능에 엄청난 영향을 미칠 수 있습니다. 데이터는 결국 알고리즘의 핵심이며, AI는 데이터를 많이 필요로 하고, 제공된 데이터에 기반해, 알고리즘이 예측을 수행합니다.

Abolhasani에 따르면:

“자율 주행 실험실에서 가장 중요한 부분은 시스템이 다음에 수행할 실험을 예측하는 머신러닝 알고리즘입니다.” 

따라서 스트리밍 데이터 접근 방식은 자율 주행 실험실의 ML 엔진이 더 빠를 뿐만 아니라 더 스마트한 결정을 내리게 하며, “짧은 시간 안에 최적의 재료와 공정을 찾아냅니다.”

데이터의 품질은 예측 정확도를 결정합니다. 따라서, 더 높은 품질의 실험 데이터를 확보함으로써 알고리즘은 더 정확한 예측을 할 수 있고, 그 결과 문제를 더 빠르게 해결할 수 있습니다. 

“이는 해결책에 도달하기 위해 필요한 화학 물질의 양을 줄이는 추가적인 이점을 제공합니다.” 

– Abolhasani

그들의 시스템 능력을 입증하기 위해 팀은 CdSe 콜로이드 양자점에 동적 흐름 실험을 적용했습니다. 이는 풍부한 파라미터 의존성과 상당한 기술적 잠재력을 가진 잘 확립된 무기 시스템이기 때문에 테스트베드로 사용되었습니다.

이 경우, 동적 흐름 시스템을 통합한 실험실이 데이터 획득 효율성을 한 차례 규모(10배) 향상시켰다고 팀은 발견했습니다.

이는 정상 상태 흐름 실험을 활용한 다른 자율 주행 실험실보다 최소 10배 이상의 데이터를 산출했습니다. 또한, 일단 훈련이 완료되면 자율 주행 실험실은 첫 시도에서 최적 후보를 발견할 수 있었습니다.

이 돌파구는 Abolhasani가 말했듯이, “속도만이 아니라” 지속 가능성을 달성하는 것입니다. 필요한 실험 횟수를 줄임으로써 시스템은 화학 물질 소비와 폐기물을 크게 감소시켜 보다 지속 가능한 연구 관행을 촉진합니다. Abolhasani는 말했습니다:

“재료 발견의 미래는 우리가 얼마나 빠르게 갈 수 있는가가 아니라, 얼마나 책임감 있게 도달할 수 있는가에 달려 있습니다. 우리의 접근 방식은 더 적은 화학 물질, 더 적은 폐기물, 그리고 사회의 가장 어려운 과제에 대한 더 빠른 해결책을 의미합니다.”

AI의 재료 과학에서 확대되는 역할: 흥미로운 최근 발견

AI는 전 세계 산업을 변화시키고 있으며, 그것은 많은 기술 혁신과 사회적 과제의 근본인 재료 과학을 포함합니다. 

그 결과, AI의 활용은 새로운 재료의 발견 및 개발에 오랫동안 지속되어 왔으며, 최근 기술이 더욱 고도화되고 능력이 향상되면서 확실히 주목받고 있습니다. 

“지속적인 개발을 통해 로봇공학과 자동화가 다양한 기기와 분야에서 실험의 속도, 정밀도 및 재현성을 향상시켜, 인공지능 시스템이 분석하여 추가 실험을 안내할 수 있는 데이터를 생성할 것이라고 기대합니다.“

– Dr. James Cahoon, 논문 공동 저자 ‘Transforming Science Labs into Automated Factories of Discovery.^2′

그럼, 올해 다양한 응용 분야에서 재료 과학에서 이룬 주요 진전을 살펴보겠습니다.

우선, 최근 공유한 바와 같이 AI의 도움으로 과학자들은 복잡한 3D 열 메타 방출기를 설계하여 실내 온도를 낮추고 에너지 비용 절감에 도움을 줄 수 있게 되었습니다. 새롭게 설계된 ML 기법으로 만든 이 재료는 주거 및 상업용 건물, 우주선, 섬유 및 텍스타일, 자동차 등 다양한 분야에 적용될 수 있습니다.

“프로세스를 자동화하고 설계 공간을 확장함으로써, 이전에는 상상할 수 없었던 우수한 성능의 재료를 만들 수 있습니다.“

– 연구 공동 책임자, Yuebing Zheng

우수한 강도를 가진 새로운 금속 재료 개발

몇 달 전, 과학자들은 보고했으며</a