Google DeepMind의 새로운 AI 도구는 700개 이상의 새로운 자료를 만드는 데 도움이 되었습니다.

-

Google DeepMind의 새로운 AI 도구는 700개 이상의 새로운 자료를 만드는 데 도움이 되었습니다.


MIT의 재료 과학 및 공학 교수인 Ju Li에 따르면 GNoME는 재료 발견을 위한 AlphaFold로 설명될 수 있습니다. 2020년 발표된 딥마인드 AI 시스템인 알파폴드(AlphaFold)는 단백질의 구조를 높은 정확도로 예측해 생물학 연구와 신약 발굴에 앞장섰다. GNoME 덕분에 알려진 안정적인 머티리얼의 수가 421,000개로 거의 10배 증가했습니다.

Google DeepMind의 재료 발견 책임자인 Dogus Cubak은 언론 브리핑에서 “재료는 거의 모든 기술에서 매우 중요한 역할을 하지만 인류가 알고 있는 안정적인 재료는 수만 개에 불과합니다.”라고 말했습니다.

새로운 물질을 발견하기 위해 과학자들은 주기율표의 원소들을 결합합니다. 하지만 조합이 너무 많기 때문에 이 과정을 무작정 진행하는 것은 비효율적입니다. 대신 연구자들은 잠재력을 지닌 새로운 조합을 발견하기 위해 기존 구조를 기반으로 약간의 수정을 가합니다. 그러나 이 힘든 과정은 여전히 ​​시간이 많이 걸립니다. 또한 기존 구조를 기반으로 구축되므로 예상치 못한 발견의 가능성이 제한됩니다.

이러한 한계를 극복하기 위해 DeepMind는 두 가지 딥러닝 모델을 결합합니다. 첫 번째는 기존 재료의 요소를 수정하여 10억 개 이상의 구조를 생성합니다. 그러나 두 번째는 기존 구조를 무시하고 순전히 화학식에 기초하여 신소재의 안정성을 예측합니다. 이 두 모델의 조합은 훨씬 더 넓은 범위의 가능성을 허용합니다.

후보 구조가 생성되면 DeepMind의 GNoME 모델을 통해 필터링됩니다. 모델은 주어진 구조의 분해 에너지를 예측하는데, 이는 물질이 얼마나 안정적인지 보여주는 중요한 지표입니다. “안정적인” 재료는 쉽게 분해되지 않으며 이는 엔지니어링 목적에 중요합니다. GNoME는 가장 유망한 후보를 선택하고 알려진 이론적 프레임워크를 기반으로 추가 평가를 거칩니다.

그런 다음 이 프로세스는 여러 번 반복되며 각 발견은 다음 교육 라운드에 통합됩니다.

첫 번째 라운드에서 GNoME은 약 5%의 정밀도로 다양한 재료의 안정성을 예측했지만 반복 학습 과정을 통해 빠르게 증가했습니다. 최종 결과는 GNoME가 첫 번째 모델의 경우 80% 이상, 두 번째 모델의 경우 33% 이상 구조의 안정성을 예측하는 것으로 나타났습니다.

관련 기사