일본산업뉴스요약

학(學)에서 산(産)으로; 머티리얼 인포매틱스 (하)
재료 개발 지원을 사업화
사내에서 방법론 확립해 노하우 판매

재료 개발에 빅데이터 분석 및 인공지능(AI)기술을 활용하는 ‘Materials Informatics(MI)’의 경쟁은 연구소에서 비즈니스의 장으로 무대를 옮기고 있다. 히타치제작소와 후지쓰(富士通), NEC의 3사는 연구소에서 배터리와 전열 소재 개발에 MI를 활용. 사내에서 방법론을 확립해 그 노하우를 외부로 판매하는 재료개발 지원사업을 계획하고 있다.

-- MI 경쟁은 연구에서 비즈니스의 장으로 이동 --
MI를 활용한 재료 개발에서는 실험 데이터를 종합한 데이터 베이스와 AI기술, 데이터 분석기술이 요구되고 있다. 전자업체에게 MI는 고객 연구 개발에 관한 정보 기반을 쇄신할 수 있는 좋은 기회이다. 각 전자업체는 사내에 반도체 및 전자부품 재료 연구자와 정보 기반 및 데이터 과학 기술자를 보유하고 있다. 우선은 자사 연구소에서 재료 개발에 MI를 활용, 그 노하우와 정보기술의 판매를 도모하고 있다.

■ NEC -- AI로부터 얻은 힌트로 다음 실험 설계
NEC는 열전변환 소자 개발에 MI를 활용했다. 새로운 원리인 스핀 제벡효과(Spin Seebeck effect)로 온도차이를 전기 에너지로 변환한 것이다. IoT 디바이스 연구소의 이시다(石田) 주임연구원은 “재료로써는 기존의 열전 소자 수준까지 기능이 향상되었다. MI는 강력한 연구 방법이다”라고 평가했다. NEC는 AI와 포괄적 합성법에 강점을 가지고 있다. NEC의 AI기술 ‘이종혼합학습(異種混合學習)’의 특징은 학습 결과가 블랙박스화 되지 않는다는 것이다.

딥러닝 등의 방법은 대량의 데이터를 학습시키면 높은 정밀도로 이해한다. 그러나 AI가 복잡한 모델로 구성되어 있어 어떻게 해서 정확하게 이해했는지에 대한 분석이 어려웠다. 이종학습에서는 학습된 데이터 가운데 어느 인자가 효과를 나타냈는지를 파악할 수 있다. “AI가 준 힌트를 바탕으로 다음 실험을 설계할 수 있다”(이시이 주임연구원)라고 한다.

또한 실험에는 포괄적 합성법을 채택했다. 한 장의 기판 위에 복잡한 원소의 농도 구배를 교차해 박막을 제작하면 기판 위 각 원소 비율이 서서히 변화해 막이 형성. 이러한 조합을 포괄적으로 조사할 수 있다. 이러한 포괄적 합성법을 통해 대량의 고품질 데이터를 수집, AI에게 학습시킨다. 이것을 반복해 재료의 범위를 좁히는 것이다.

■ 후지쓰 -- 최적의 조합으로 구성된 연구팀
후지쓰연구소는 디바이스& 머티리얼 연구소에 전문 팀을 마련하고 있다. 배터리의 정극 재료와 자석 등에 MI를 활용. 재료의 전문 지식과 빅데이터의 기계학습을 결합한 점이 강점이다. 추정 이유 및 근거를 설명할 수 있기 때문에 재료 연구자에게 AI 활용이 용이하다.

또한 제 1 원리 계산 등의 시뮬레이션에서 데이터를 보충해 AI에게 학습시키고 있다. 제 1 원리 계산은 양자역학을 토대로 계산되기 때문에 정밀도를 높일 경우, 계산 양이 방대해지는 문제점이 있었다. 후지쓰에게 있어 슈퍼컴퓨터는 전문 분야이다. 미야시마(宮島) MI프로젝트 디렉터는 “필요에 따라 계산 자원을 확대할 계획이다”라고 강조했다. 각 기업은 연구소에서의 실적을 바탕으로 재료 개발의 지원 사업을 계획하고 있다 하지만 확실한 정공법이 확립되기 위해서는 아직 시간이 걸릴 전망이다.

기존 데이터 은닉해 계산에 이용
사업화 선도, 고객의 신뢰 중시

■ 히타치, 한 발 앞서 수탁 지원 사업 개시 
히타치제작소는 다른 기업보다 먼저 수탁 지원 사업을 시작했다. 우선은 데이터 분석 대행 서비스를 제공. 히타치 공공시스템사업부의 모리다(森田) 주임은 “1년 간 고객사와 함께 개발을 추진해왔다. AI에게 학습시킬 데이터를 구축하는 것에서부터 시작했다”라고 설명한다. AI기술은 심층학습과 유전 알고리즘 등을 적용할 때, 단순하게 데이터에 따라 학습 방법을 선택하기만 한다면 성과를 기대할 수 없다. 히타치제작소는 MI의 목표 설정부터 데이터의 형성, 결과 해석 등을 고객사와 함께 추진해왔다.

이번 개발에 히타치제작소는 재료 기술자와 정보 기술자의 혼성 팀을 구성해 사업을 추진. 150억 개의 데이터를 한 눈에 볼 수 있는 시각화 툴 등, 분석을 뒷받침하는 기반 기술은 사업을 위한 전제 조건에 불과했다. “고객의 연구 데이터를 제공 받기 때문에 데이터 양이나 AI 기술을 뽐내는 것보다 신뢰를 얻는 것이 무엇보다 중요하다. MI는 고객과 함께하는 비즈니스이다”(모리다 주임)라고 한다.

히타치는 비밀 계산 등 기존 데이터를 은닉한 상태에서 계산 하는 방법을 개발. 서로 다른 조직 간에 데이터를 공유하는 경우, 상대에게 데이터를 넘겨주지 않아도 데이터를 공유한 상태에서 분석이 가능하다. 모리다 주임은 “데이터 보호를 위해 현재는 데이터 공유에 대한 수요는 없다. 공유의 이점이 드러나게 된다면 앞으로 수요가 나타날 가능성이 있다. 그럴 경우 기술을 제공해나가겠다”라고 말한다.

MI는 재료기술과 계측기술, 데이터 과학의 3가지 기술이 융합된 영역이다. 이 3가지 요소가 잘 연계되어야 비로소 기능할 수 있다. 예를 들어 재료 연구자가 방향성을 정하고, 계측기술자가 재료를 계측해 데이터의 품질 및 표준 사양을 구축, 축적된 데이터를 데이터 과학자가 AI기술을 이용해 분석한다. 여기서 나온 결과를 바탕으로 재료 연구자가 시작품을 합성해 새로운 데이터가 축적되어가는 것이다. 무엇보다 이러한 데이터 순환을 어떻게 만들어나가느냐가 중요하다. 수탁 지원 사업에서는 재료 개발의 실적을 쌓아나가면서 이러한 순환 모델을 구축해나갈 필요가 있다.

이전부터 히타치그룹은 전자 현미경 등의 계측기술은 히타치하이테크, 데이터 과학은 히타치제작소, 재료기술은 하타치카세이(日立化成)와 히타치금속이 보유, 그룹 내에서 MI 데이터 환경을 만들어낼 수 있는 잠재력을 가지고 있었다. 이러한 잠재력을 바탕으로 그룹 내에서 방법론 및 툴을 확립해 그 일부를 외부에 판매하는 것도 가능. 개발 리소스의 일부를 타사와 공유해 데이터 및 사례를 늘려, 결과적으로 그룹 전체의 경쟁력을 높일 수 있다. 이러한 경쟁력은 그룹 내에서 데이터를 수집하는 파워 게임에서도, 고객에 대한 개발 지원을 중심으로 한 공동 가치 창조 모델에서도 우위를 차지할 수 있다. 히타치그룹은 MI를 통해 고객으로부터의 신뢰를 중시하고, 비즈니스를 선도해 안건 별로 채산성을 확보하는 방법을 선택했다.

이러한 히타치를 뒤쫓으려는 기업은 재료와 계측, 데이터를 포함한 큰 그림을 구상해야 할 필요가 있을 것이다. 재료 개발 지원뿐만 아니라 대학 및 계측기기 제조사 등과 연대해 데이터와 기술을 보완하거나 MI와 지적 재산 및 표준화, 규격 대응 지원 등을 연결해 서비스 질을 높이는 등의 전략이 중요해질 전망이다.

 -- 연재 끝 --