일본산업뉴스요약

학(學)에서 산(産)으로; 머티리얼 인포매틱스 (상)
재료개발, 비약적인 가속화
빅데이터, AI를 구사, 학계의 역할 거론

산업계가 빅데이터 해석 및 인공지능(AI) 기술을 재료 개발에 사용한 ‘머티리얼스∙인포매틱스’(MI)의 응용을 본격화하고 있다. 지금까지는 대학 등의 연구원이 해석방법을 개발하여 데이터 베이스 등의 연구 환경을 갖춰왔지만, 유효성을 인정한 기업에서도 사업화를 진행한다. 산업 경쟁력에 직결되는 MI의 활용을 위해 향후에는 학계의 역할이 거론되면서 산업계에도 사업화 전략을 검토하게 되었다.

▶ 머티리얼 인포매틱스;
재료의 구조 및 물성 등을 데이터를 기반으로 IT 및 빅데이터, AI 등을 활용하여 물리법칙에 의거한 신 재료의 분자 구조 및 구성과 특성을 구한다. 연구자의 경험에 의존했던 기존 방법에 비해 대폭적으로 개발기간을 단축시킬 수 있다.

-- 산업 경쟁력에 직결, 기업 사업화 진행 --
바둑계에서의 AI의 약진은 눈부시다. 미국 구글계의 영국 딥마인드는 과거의 기보 데이터를 AI ‘알파고’에게 학습시켰다. 그리고 AI 간에 경기를 반복시켜 기술을 연마하게 만들어 세계 최고의 바둑기사를 잇따라 무너뜨렸다. 또한 기보 데이터가 필요 없는 스스로 학습하는 ‘알파고 제로’를 개발. 자력으로 새로운 ‘정석(定石)을 만들어내는데 성공했다. 실은 신 재료 개발의 세계에서도 AI가 ‘정석’을 만들어 내어 새로운 설계 지침이 될 것으로 기대를 모으고 있다.

물질의 결정 구조를 바둑의 바둑판에 비유하면 이해가 쉽다. 바둑은 19X19로의 합361의 격자 점상에 흑과 백의 바둑알을 번갈아 놓는다. MI에서는 예를 들어 결정의 7X7X7의 343격자에 약 60종의 실용 원소 및 공극을 배치하여 물성으로부터 재료기능, 에너지 안정성으로부터 제조 가능성 등을 추정한다.

생명과학 및 기상학, 사회학 등, AI기술 및 정보과학을 접목시킨 연구 영역은 많이 있다. 그 중에서도 재료 연구는 데이터의 질이 높아, 목표가 되는 성능 및 원리가 명확하다. 즉 AI에 제공하는 데이터는 양질이며 학습 지침도 세우기 쉽다는 장점이 있다.

물질∙재료 연구기구의 하시모토(橋本) 이사장은 “MI가 완성된다면 종래의 연구 방법을 뒤집는 파괴적인 도구가 될 것이다. 일본은 이 개발경쟁에서 질 수 없다”라고 강조한다. 데이터를 기반으로 컴퓨터 상에서 물질의 성능을 추정한다면 대폭적으로 개발 기간을 단축시킬 수 있다.

MI는 산업 경쟁력에 직결한다. 아사히카세이(旭化成)의 나카오(中尾) 부사장은 “MI를 시작하자마자 이것이 유용하다는 것을 알았다. 연간 단위로 걸렸던 개발 기간이 수 개월 만에 가능해졌다. 화학산업을 장치산업에서 서비스 산업으로 바꾸는 퍼텐셜이 있다”라고 기대한다. 중후장대(重厚長大)형의 소재산업이 파인케미컬과 같은 연구개발과 다품종 소량생산을 조합한 서비스 산업으로 바뀔 수도 있다.

그러나 재료의 성능은 결정 구조만으로는 결정되지 않는다. 많은 재료는 복수의 결정 구조가 들어가 교차하는 다결정체로 결정립과 결정립의 경계면 등의 조직 구조가 재료의 기능에 큰 영향을 미친다. 바둑의 바둑알을 바둑판에 올리듯 원소를 바꿔놓기만 한다면 재료의 극히 일부만을 검토할 수 있다. 물자기구 종합형 재료개발∙정보기반 부문의 데무라(出村) 부 부문장은 “단 56그램의 철을 시뮬레이션하는 계산 자원을 인류는 아직 갖지 못하고 있다”라고 지적한다.

재료개발 전체를 AI에게 맡길 수는 없다. 어떠한 데이터를 수집하여 AI에 학습시켜 나머지를 연구자가 보완하거나 시행착오가 계속되고 있다. 물자기구의 이토(伊藤) 정보 통합형 물질∙재료연구거점장은 “미국 구글도 재료과학을 AI의 타깃으로 두고 있으나, 재료의 전문가가 아니라면 AI의 해석결과를 활용할 수 없다”라고 지적한다.

-- 비용대비 효과는 측정 불가, 필요한 데이터 양 ‘정답 없어’ --
물자기구는 MI연구를 견인해 왔다. 27만3,830물질의 결정구조 데이터, 29만 8,000건의 특성 데이터를 수록한 데이터 베이스를 갖춰 물자기구의 연대기업에는 제1원리계산 등의 해석 도구를 포함한 연구환경을 제공하고 있다. 또한 단조 및 용접 등의 제조 프로세스와 재료 조직, 재료 특성 데이터로부터 재료의 피로 수명 및 메짐성(피로에 의해 균열이 생기거나 파괴되는 성질) 등의 성능을 예측하는 통합 시스템을 개발. 제조장치의 센서 데이터를 MI에 활용하는 구조를 갖췄다.

기업에 있어서는 MI를 활용할 때 자사 보유 데이터에 물자기구의 데이터를 추가하여 해석 범위를 넓힐 수 있다. 최고로 복잡한 제조 프로세스의 데이터도 취급할 수 있는 구조를 갖추고 있다.

아사히카세이의 나카오 부사장은 “사내기술자의 실적 평가를 바꾸지 않으면 안될지도 모른다. 온 더 잡 트레이닝(OJP)으로부터 데이터의 과학적인 기능을 승계. 노하우 등의 구조화가 불가능한 데이터의 취급도 해결하지 않으면 안 된다. 모두 생산 기술 및 프로세스 기술의 강화는 필수. 기회도 있고 과제도 있다”라고 전망한다.

문제는 MI용에 데이터를 수집하는 비용대비 효과를 측정할 수 없다는 점이다. 재료학자가 생각하는 물리현상의 복잡함과 정보 과학자가 데이터를 판독하는 복잡함이 대응하고 있지 않기 때문이다. 다시 말해, 물리현상에 대해 학습데이터가 얼마나 필요할지 알 수 없는 상태이다. 정공법은 확립되지 않은 상태로, 데무라 부 부문장은 “정답은 없다”라고 설명한다.

반대로 비용대비 효과가 측정된 물리현상으로부터 사업 채산성을 계산할 수 있게 된다. 풀린 문제에서 비즈니스가 성립되기 때문에 기업은 속내를 보이지 않는다. 산업기술 종합연구소 인공지능 연구센터의 아소(麻生) 부 연구센터장은“(정보과학자에게 있어서) 문제를 풀기 위해 필요한 데이터 양이 요구된다면 연구는 끝난 것이나 마찬가지이다”라고 지적한다.

MIT는 학(學)에서 산(産)으로의 이행기를 맞이하고 있다. 연구 환경은 갖춰졌으나, 확립된 정공법은 아직 없다. 한편, 민간에서는 MI의 사업화가 진행되고 있다.

 -- (하)로 계속 --