재료 과학
인공지능의 혜택을 극대화하기 위한 표준 수립
Securities.io를 Google의 선호 소스에 추가
재료 과학은 인공지능(AI) 및 머신러닝(ML)의 부상으로 빠르게 변화하고 있습니다. 이러한 도구들은 청정 에너지와 지속 가능한 제조, 첨단 전자공학, 그리고 바이오메디신 분야의 큰 도전을 해결하기 위해 새로운 재료를 발견, 설계 및 최적화하는 방식을 혁신하고 있습니다.
하지만 재료 연구에서 AI를 최대한 활용하려면 화려한 알고리즘과 방대한 데이터만으로는 충분하지 않습니다. 다양한 출처와 도메인에 걸쳐 재료 데이터를 접근, 공유 및 통합할 수 있는 견고하고 표준화된 인프라가 필요합니다. 표준이 없으면 연구자들은 정확하고 일반화 가능한 모델을 훈련하고 결과를 실제 세계에 적용하는 데 큰 장벽에 직면합니다.
여기에서는 AI 기반 재료 발견을 위한 데이터 표준의 중요성을 살펴보고, 새로운 Open Databases Integration for Materials Design (OPTIMADE) 이니셔티브에 초점을 맞춥니다. 재료 데이터 교환의 과제, OPTIMADE API의 특징과 이점, 그리고 이 표준이 이미 재료 연구를 어떻게 변화시키고 있는지에 대한 실제 사례를 다룰 것입니다. 마지막으로 OPTIMADE의 미래와 새로운 재료 혁신에 어떤 의미를 가질 수 있는지 살펴보겠습니다.
재료 데이터 교환의 과제
재료 과학에서 데이터 표준의 중요성을 이해하려면, 연구자들이 다양한 출처에서 데이터를 접근하고 통합하는 데 직면하는 과제를 이해해야 합니다.
재료 데이터는 각각 고유한 데이터 스키마, API 및 접근 프로토콜을 가진 파편화된 데이터베이스들에 흩어져 있습니다. 이러한 상호운용성 부족은 머신러닝 모델을 구축하거나 대규모 데이터 마이닝을 수행하려는 연구자들에게 큰 장벽이 됩니다.
예를 들어, 새로운 배터리 재료를 발견하려는 재료 과학자를 생각해 보십시오. 예측 모델을 훈련시키기 위해서는 알려진 배터리 화합물, 그들의 결정 구조, 전기화학적 특성 및 합성 조건에 대한 데이터를 수집해야 합니다.
하지만 이러한 데이터는 여러 데이터베이스에 걸쳐 분산되어 있으며, 각각은 정보를 표현하고 제공하는 자체적인 방식을 가지고 있습니다.
관련 데이터를 얻기 위해 연구자는 다음과 같이 해야 합니다:
- 각 데이터베이스의 API를 쿼리하기 위한 맞춤 코드를 작성
- 고유한 스키마를 탐색
- 결과를 정리하고 일관된 형식으로 병합
이는 시간 소모가 크고 오류가 발생하기 쉬우며, 연구자의 핵심 분야 외의 기술 전문 지식을 요구합니다.
Lawrence Berkeley National Laboratory의 재료 정보학 과학자 Dr Julia Ling은 이를 직접 경험했습니다. 그녀는 다음과 같이 말합니다:
“제 작업에서는 여러 데이터베이스에서 데이터를 통합하여 머신러닝 모델을 위한 포괄적인 학습 세트를 구축해야 합니다. 하지만 이러한 데이터베이스 간 표준화가 부족한 것이 큰 문제입니다. 모델을 훈련하기 시작하기 전에 데이터 처리 스크립트를 작성하는 데 몇 주씩 소비할 수 있습니다.”
많은 재료 데이터베이스가 개별 연구 그룹이나 기관에 의해 잠겨 있어 외부 연구자들이 데이터를 찾기도, 접근하기도 어렵습니다. 이러한 가시성 및 접근성 부족은 과학 발전을 저해하고 불필요한 중복 작업을 초래합니다.
Citrine Informatics의 공동 설립자이자 최고 과학 책임자 Dr. Bryce Meredig는 다음과 같이 말합니다:
“현재 재료 데이터 상황은 혼란스럽습니다. 데이터가 흩어져 있고, 이질적이며, 종종 문서화가 부족합니다. 이는 특히 머신러닝에 데이터를 효과적으로 활용하는 것을 불가능하게 만듭니다.”
커뮤니티 표준의 필요성
이러한 과제를 극복하고 재료 연구에서 AI를 최대한 활용하려면 커뮤니티가 데이터 교환을 위한 공통 표준 및 프로토콜을 마련해야 합니다. 이러한 표준은 연구자들이 다양한 출처의 데이터를 일관되고, 머신이 읽을 수 있는 형식으로 접근하고 통합할 수 있게 해야 합니다.
이러한 표준은 커뮤니티가 개방적이고 협업적인 방식으로 개발하고 채택해야 합니다. 단일 기관이나 데이터베이스 제공자가 일방적으로 강제할 수 없습니다. 학계, 산업, 정부 등 다양한 이해관계자의 의견을 반영한 합의와 반복 과정을 통해 등장해야 합니다.
그 혜택은 명확합니다. 공통 언어와 프레임워크를 제공함으로써 데이터 접근 및 통합 장벽을 낮추고, 연구자들이 데이터 정제보다 과학에 더 많은 시간을 할애할 수 있게 됩니다. 또한 데이터 시각화 및 분석 플랫폼부터 자동화된 발견 파이프라인, 지식베이스에 이르는 상호운용 가능한 도구와 서비스의 풍부한 생태계를 촉진할 수 있습니다.
Lawrence Berkeley National Laboratory의 Materials Project 책임자 Dr Kristin Persson은 커뮤니티 표준이 재료 과학에서 AI 활용의 핵심이라고 말합니다. 그녀는 다음과 같이 덧붙였습니다:
“데이터 교환을 위한 공통 원칙과 프로토콜에 합의함으로써 재료 연구에서 새로운 수준의 협업과 혁신을 열 수 있습니다. 이는 단순히 데이터를 더 접근 가능하게 만드는 것이 아니라, 이전에는 불가능했던 새로운 과학을 가능하게 하는 것입니다.”
OPTIMADE의 부상
재료 데이터 교환을 위한 커뮤니티 표준의 필요성을 인식하고, 2016년에 선도적인 재료 데이터베이스와 소프트웨어 제공업체들이 모여 Open Databases Integration for Materials Design (OPTIMADE) 이니셔티브를 시작했습니다.
OPTIMADE의 목표는 재료 데이터베이스에서 데이터를 질의하고 검색하기 위한 공통 API 사양을 개발하여 표준화된, 머신이 읽을 수 있는 형식으로 제공하는 것입니다. 여러 데이터베이스에 대한 단일 인터페이스를 제공함으로써, OPTIMADE는 연구자들이 사용 중인 데이터베이스나 소프트웨어에 관계없이 재료 데이터를 손쉽게 접근하고 워크플로에 통합할 수 있게 합니다.
OPTIMADE 사양은 표준 HTTP 프로토콜과 JSON 데이터 형식을 사용하는 RESTful 웹 설계를 기반으로 하여 데이터베이스와 클라이언트 애플리케이션 간 통신을 가능하게 합니다. 데이터베이스가 표준화되고 자체 설명적인 방식으로 데이터를 노출할 수 있도록 공통 엔드포인트와 질의 매개변수 집합을 정의합니다.
예를 들어, 클라이언트 애플리케이션은 표준화된 형식의 질의 매개변수를 사용해 철과 산소를 포함하는 재료를 검색하기 위해 OPTIMADE 호환 데이터베이스에 간단한 HTTP GET 요청을 보낼 수 있습니다.
데이터베이스 서버는 이를 자체 쿼리 언어로 변환하고, 검색을 실행한 뒤 JSON 형태로 결과를 반환합니다. 클라이언트 애플리케이션은 데이터베이스 스키마나 구현 세부 정보를 알 필요 없이 표준 도구와 라이브러리를 사용해 결과를 파싱하고 처리할 수 있습니다.
OPTIMADE 실전 적용
2019년 이후, OPTIMADE는 많은 재료 데이터베이스와 소프트웨어 도구에 채택되었습니다.
예시로, Lawrence Berkeley National Laboratory에서 운영하는 계산된 재료 특성 데이터베이스인 Materials Project가 있습니다. 2020년에 Materials Project 팀은 사용자가 표준 질의 매개변수와 응답 형식을 사용해 방대한 데이터셋에 접근할 수 있도록 OPTIMADE API를 구현했습니다.
데이터베이스 수석 설계자 Dr Shyam Dwaraknath에 따르면:
“Materials Project의 OPTIMADE API는 사용자에게 큰 변화를 가져왔습니다. Jupyter 노트북, 웹 애플리케이션부터 고처리량 스크리닝 파이프라인에 이르기까지 우리의 데이터를 접근하고 분석하는 새로운 도구와 통합 생태계를 가능하게 했습니다.”
NOMAD Archive는 고처리량 재료 시뮬레이션의 원시 데이터를 저장하는 저장소로, OPTIMADE를 조기에 도입한 또 다른 사례입니다. OPTIMADE API를 통해 데이터를 공개함으로써, 연구자들은 방대한 계산된 특성 데이터셋에 대해 대규모 데이터 마이닝을 수행하고 머신러닝 모델을 훈련할 수 있게 되었습니다.
According to Dr Luca Ghiringhelli, group leader at the Fritz Haber Institute and AI in materials science enthusiast:
“우리는 데이터 기반 재료 연구에 대한 관심이 급증하고 있으며, OPTIMADE는 이 과정에서 핵심적인 역할을 하고 있습니다. 단일 인터페이스를 통해 여러 데이터베이스에 접근함으로써 데이터 접근 및 통합 장벽을 낮추고 분야를 민주화하고 있습니다.”
실제 적용 사례
OPTIMADE의 영향은 이미 다양한 재료 연구 분야에서 나타나고 있습니다. 배터리와 재생 에너지부터 항공우주 및 바이오메디컬 엔지니어링까지. 다음은 몇 가지 사례입니다:
#1. 고성능 열전재료 찾기: Northwestern University 연구진은 OPTIMADE를 활용해 Materials Project와 OQMD 등 여러 계산 데이터베이스의 데이터를 결합하고, 새로운 재료의 열전 특성을 예측하는 머신러닝 모델을 훈련했습니다. 이 데이터셋을 사용해 기록적인 성능을 보일 가능성이 있는 여러 새로운 화합물을 발견했으며, 현재 합성 및 테스트 중입니다.
#2. 2D 재료의 고처리량 스크리닝: 덴마크 기술대학 팀은 OPTIMADE를 사용해 Computational 2D Materials Database (C2DB)에서 50,000개 이상의 계산된 2D 재료를 스크리닝했습니다. OPTIMADE 필터를 이용해 데이터베이스를 질의함으로써 높은 캐리어 이동도나 낮은 밴드갭 등 특정 특성을 가진 재료를 빠르게 찾아 차세대 전자 및 광전자 분야에 활용하고 있습니다.
#3. 신속한 배터리 재료 개발: MIT와 Stanford University 연구진은 OPTIMADE를 활용해 Materials Project, OQMD 및 기타 소스의 데이터를 결합한 배터리 재료 특성 중앙 데이터베이스를 구축했습니다. 이 데이터셋으로 일련의 머신러닝 모델을 훈련시켜 용량, 사이클성 등 핵심 성능 지표를 예측했으며, 이러한 모델은 전기차와 그리드 저장용 더 안전하고, 수명이 길며, 에너지 밀도가 높은 배터리 개발을 위한 실험을 안내하고 있습니다.
#4. 고엔트로피 합금 설계: University of Maryland 팀은 OPTIMADE를 활용해 Materials Project, OQMD 및 High-Entropy Alloys Database (THEAD) 등 여러 계산 및 실험 데이터베이스의 데이터를 결합해 고엔트로피 합금 특성 데이터셋을 구축했습니다. 이 데이터셋을 사용해 새로운 고엔트로피 합금 조성의 형성 에너지와 상 안정성을 예측하는 머신러닝 모델을 훈련했으며, 수천 개의 후보를 스크리닝해 가장 유망한 후보를 실험적으로 검증했습니다. 이 작업은 항공우주, 방위 및 그 외 분야에서 뛰어난 강도, 인성 및 내식성을 가진 차세대 고엔트로피 합금 개발을 가속화하는 데 기여하고 있습니다.
이제, 어떤 기업들이 이러한 표준을 수립함으로써 가장 큰 혜택을 받을 수 있는지 살펴보겠습니다.
#1. Tesla (TSLA)
Tesla, Inc. (TSLA ) 는 OPTIMADE의 표준화된 데이터 교환을 통해 배터리 기술을 개선하고 제조 공정에서 재료를 최적화하는 능력이 크게 향상될 것입니다. 이를 통해 Tesla는 에너지 밀도가 높고, 수명 주기가 길며, 안전성이 향상된 배터리를 개발하면서 비용을 절감하고 지속 가능성을 높일 수 있습니다.
TSLA 가격 차트
재무적으로는 2023년에 Tesla는 968억 달러의 매출을 기록했으며, 전년 대비 19% 증가하여 강력한 재무 성장과 지속적인 혁신 잠재력을 보여줍니다.
#2. Intel Corporation (INTC)
또 다른 기업으로, OPTIMADE의 표준화된 데이터 교환으로 큰 혜택을 받을 수 있는 기업은 반도체 및 기술 분야의 선두주자 Intel (INTC ) Corporation (INTC)입니다. AI와 표준화된 재료 데이터를 활용함으로써 Intel은 새로운 반도체 재료를 발견·설계하여 성능이 뛰어나고 효율이 높은 칩을 개발하고 새로운 기능을 구현할 수 있습니다.
이는 Intel이 반도체 혁신의 최전선에 머무를 수 있도록 돕습니다. 또한 다양한 데이터베이스 간 데이터 통합은 Intel의 연구·개발 프로세스를 간소화하여 혁신에 더 집중하고 데이터 관리에 소요되는 시간을 줄여줍니다.
INTC 가격 차트
재무 측면에서 Intel은 2023년에 542억 달러의 매출을 기록했으며, 업계에서의 중요한 역할과 지속적인 성장 잠재력을 반영합니다.
OPTIMADE의 미래
OPTIMADE가 채택될수록, 재료 과학 커뮤니티는 데이터 통합 및 발견의 새로운 영역을 탐색하고 있습니다. 한 분야는 European Materials Modelling Ontology (EMMO)와 Crystallographic Information Framework (CIF)와 같은 다른 데이터 표준 및 온톨로지와의 통합입니다.
이러한 다양한 표준과 의미론을 정렬하면 연구자들이 여러 데이터 소스, 길이, 시간 규모, 및 재료 과학의 도메인 전반에 걸쳐 더욱 강력하고 복잡한 질문을 할 수 있게 됩니다.
미래 연구의 또 다른 초점은 재료 데이터 분석 및 머신러닝을 위한 보다 고도화되고 자동화된 도구 개발입니다. 그래프 신경망 및 트랜스포머 아키텍처와 같은 딥러닝 기술의 부상은 이러한 모델에서 재료 데이터를 표준화되고 확장 가능한 방식으로 표현하고 처리하는 필요성을 강조합니다.
OPTIMADE는 공통 인터페이스를 제공하여 대규모, 다양한 데이터셋의 재료 특성 및 구조에 접근하고 통합할 수 있기 때문에 이 분야에서 핵심적인 역할을 할 준비가 되어 있습니다. Fritz Haber Institute의 소장 겸 계산 재료 과학 선구자인 Dr. Matthias Scheffler는 다음과 같이 말합니다:
“OPTIMADE는 데이터를 더 쉽게 접근하게 하는 것뿐만 아니라, 재료 발견 및 설계에 대한 새로운 패러다임을 가능하게 합니다. 데이터 기반 및 AI 기반 재료 연구를 위한 기반을 제공함으로써 우리는 혁신과 발견의 새로운 시대를 열어가고 있습니다.”
앞으로는 OPTIMADE를 활용해 보다 분산되고 협업적인 데이터 공유 및 재료 발견 모델을 구현하려는 관심도 있습니다. 예를 들어, 일부 연구자들은 블록체인 기술을 이용해 안전하고 분산된 OPTIMADE 데이터베이스 네트워크를 구축함으로써 여러 기관과 도메인에 걸쳐 데이터를 공유하고 질의할 수 있는 방안을 모색하고 있습니다.
또 다른 접근법으로는 연합 학습(federated learning)을 통해 데이터를 중앙집중화하거나 조화시킬 필요 없이 분산된 데이터셋으로 머신러닝 모델을 훈련하는 방법을 연구하고 있습니다. Matgenix와 Data Science OÜ와 같은 기업의 연구자들이 기관 경계를 넘어 협업하고 인사이트를 공유하면서도 자신의 데이터와 지적 재산권을 유지할 수 있게 함으로써, 이러한 접근법은 재료 발견과 혁신의 속도를 가속화할 수 있습니다.
Click here to learn why artificial intelligence is a billion-dollar play for Cisco Systems. (CSCO )
Concluding Thoughts
AI와 데이터 기반 기술은 재료 과학에서 새로운 재료를 발견, 설계 및 적용하는 방식을 변화시키고 있습니다. 그러나 이러한 접근법을 완전히 실현하려면, 여러 출처와 도메인에 걸쳐 데이터를 접근하고 통합할 수 있는 견고하고 표준화된 인프라가 필요합니다.
OPTIMADE API는 머신이 읽을 수 있는 형식으로 재료 데이터를 질의하고 검색할 수 있는 공통 언어와 프로토콜을 제공함으로써 이 목표를 가능하게 하는 핵심 도구입니다. 데이터 접근 및 통합 장벽을 낮춤으로써 OPTIMADE는 재료 연구를 보다 민주화하고 혁신을 가속화하고 있습니다.
OPTIMADE가 점점 더 많이 채택되고 데이터 기반 재료 발견을 위한 새로운 도구와 기술이 등장함에 따라, 앞으로도 더 많은 발전이 기대됩니다. 새로운 배터리 재료와 고성능 합금부터 맞춤형 의약품 및 기능성 나노재료에 이르기까지 가능성은 무한합니다.
하지만 이를 실현하려면 재료 과학 커뮤니티 전반에 걸친 지속적인 투자와 협업, 그리고 개방 데이터, 개방 표준, 개방 과학이 필요합니다. 학문 및 기관 간 경계를 넘어 함께 작업해야 AI와 데이터 기반 재료 발견의 전체 잠재력을 발휘할 수 있습니다.
UC Berkeley의 재료 과학 교수이자 계산 재료 설계 선구자인 Dr. Gerbrand Ceder는 다음과 같이 말합니다:
“미래는 밝지만, 데이터와 협업에 대한 사고 방식을 바꿔야 합니다. OPTIMADE와 같은 개방 표준을 활용하고 커뮤니티가 지식을 공유함으로써 혁신을 가속화하고 오늘날 직면한 가장 큰 문제들을 해결할 수 있습니다.”
전반적으로 OPTIMADE와 같은 표준의 채택은 데이터 통합을 간소화하고 협업을 강화하며 여러 산업에 걸쳐 빠른 혁신을 촉진함으로써 재료 과학을 혁신할 것입니다.
Click here to learn all about investing in artificial intelligence (AI).
