일본산업뉴스요약

재료 연구자, 파트너를 더 알고 싶다
AI의 '머릿속'을 들여다 본다, 심층학습에만 의지하지 않는다

재료 개발 분야에서 AI의 ‘머릿속’을 이해하는 연구가 추진되고 있다. AI기술은 재료 개발의 강력한 무기로서 새로운 재료 후보를 다수 제안하고 있다. 그러나 재료 연구자는 그 판단 과정을 해석하지 못했다. 그래서 AI와 재료 연구자들이 팀을 이뤄 AI의 머릿속을 해독하면서 해독 가능한 방법을 개발하고 있다. 이 시도는 AI가 다양한 타 분야에 사용되기 위한 모델 케이스가 될 것이다.

▶MI를 믿게 하기 위해서는
물리량∙재료 개념, AI를 통해 ‘다시 공부’

“3년동안 정말 많이 배웠다”라고 물질∙재료연구기구의 XU Yibin(徐一斌) 데이터 플랫폼장은 회상한다. 열전도 재료 개발에 AI기술을 이용하여 새로운 단열 재료를 개발하는데 성공하였다.

XU Yibin 씨는 재료 연구 중에서도 실험계열 출신이다. 재료를 합성하여 실제 사물로 성능을 확인하는 것을 중시한다. “실험과 계산 결과가 맞지 않는 것은 여러 번 경험해 왔다. 그런 상황에서 AI를 믿고 새로운 영역으로 진출하는 것에 대한 불안이 있었다”라고 말한다.

일본의 재료 개발 분야에서는 최근 3년동안 AI도입이 급속하게 추진되었다. 재료와 AI의 융합영역은 ‘Materials Informatics(MI)’라고 불리며 산업계로도 확산되었다.

새로운 분야가 등장한 초기에는 중진 연구자들로부터 “연구자가 AI에 의지해서야 되겠는가”라는 비판도 있었다. 그 이유 중 하나가 AI의 블랙박스와 같은 성질 때문이다. AI업계에서 브레이크스루를 일으킨 심층학습. 그러나 심층학습의 머릿속을 해석하는 것이 어렵다. 때문에 “심층학습의 대답을 그대로 믿어도 좋은가?”라고 비판적으로 받아들여졌다. 그래서 MI에 도전한 연구자들은 심층학습에만 의지하지 말고 해석 가능한 AI기술을 모색하였다.

난제였던 것은 AI연구자가 해석할 수 있는 레벨이 아니라 재료 연구자가 해석할 수 있는 레벨을 요구했다는 점이다. AI의 머릿속을 들여다봐도 재료 연구에 필요한 내부의 미세 구조나 화학 포텐셜(화학적 위치에너지 차이)의 분포, 전자나 이온이 지나는 길의 크기 등이 명시되는 것은 아니다. 또한 재료 연구 개념의 대부분은 연구자의 머리 속에만 있다. 필요한 데이터가 애초에 없다면 AI에 학습시키는 일도 불가능하다.

이 문제를 해결하기 위해 XU Yibin 씨는 분석기기로 계측 가능한 물리량이나 재료 특성의 관계성을 조사하는 일부터 시작하였다. 예를 들면, 재료 내부에 있어서 격자 진동 등을 입자로서 인식한 ‘포논(Phonon)’의 이동속도는 열전도에 큰 영향을 준다.

연구자는 포논이라는 개념에 의해 열전도를 전자나 원자처럼 입자가 이동하는 이미지로 파악한다. 포논이 물질 속을 진행하는 방향에 따라 속도를 바꾸면 열이 전달되는 방향을 제어할 수 있다. 그러나 포논의 속도 자체를 측정하는 것은 어렵다.

반면에 고체가 녹는 융점은 계측하기 쉬워 측정 정밀도도 높다. 녹는 현상이나 온도에는 포논도 관계하고 있기 때문에 융점에는 포논의 정보도 포함된다. 열 지향성(指向性)은 일부 희생을 하게 되지만 포논 데이터를 융점 데이터로 보완하는 것이 가능해진다.

그 외에도 재료 내부의 조직 구조는 전자 현미경 등으로 관찰할 필요가 있었다. XU Yibin 씨는 “재료의 단면을 여러 개 준비하여 계측하고 복합조직을 관찰해 나갔다”라고 회상한다. 이 조직 구조는 단열재의 제조 조건 데이터로 보완할 수 있었다. 단열재의 가공법이나 막(膜)의 두께 등에 따라 비슷한 조직이 만들어지기 때문이다.

수집하기 어려운 데이터를 수집하기 쉬운 데이터로 보완하여 AI에게 학습시키는 방법으로 신규 단열재를 개발할 수 있게 되었다. 기존의 물리 시뮬레이션은 물리법칙에 준한 예측밖에 할 수 없다.

이번에 물리나 화학, 제조 프로세스의 데이터를 AI에게 학습시켜 모든 것을 포함한 예측을 실현하였다. XU Yibin 씨는 “물리량이나 재료의 개념을 AI를 통해 다시 공부하게 되었다. 정말 많이 배웠다”라고 만족스럽게 말했다.

▶발전하는 해석
신선한 아이디어 속속, 반신반의에서 ‘왕도’로

AI의 머릿속을 해석할 수 있도록 하는 연구도 진행 중이다. 물질∙재료연구기구의 Jalem Randy연구원은 도요타자동차와 전고체배터리를 연구한다. 고체전해질의 재료를 탐색하는데 베이지안 최적화(모양을 알 수 없는 관수의 최대치 또는 최소치를 구하는 방법)를 이용하였다.

베이지안 최적화에서는 우선 기존의 데이터군으로 성능과 그 불확실성을 예측한다. 성능이 높고 불확실한 포인트를 선택하여 데이터를 추가해 나가면 적은 데이터로도 최적의 포인트에 도달한다. 이 방법으로 고체전해질의 원소 조성을 최적화하였다.

Jalem 연구원은 베이지안 최적화의 과정에서 AI가 어떤 특징량(Feature Value)을 중시하고 있는지를 알 수 있게 하였다.

고체전해질의 결정 구조는 계산할 수 있으며 그 원자간 거리나 다면체성 등 340의 특징량이 자동 생성된다. 그러면 너무 많아서 해석할 수 없기 때문에 각 특징량을 AI에 학습시키기 전에 5개로 분류하여 각각의 중요도를 계산하였다.

결과는 원자간 거리 등의 그룹과 격자 정수 등의 그룹의 영향이 크고, 원자 배치를 다면체로서 파악한 다면체간 특징량은 거의 영향을 미치지 않는다는 것을 알았다. 이것으로 재료 연구자가 생각하는 요소의 범위를 줄일 수 있다.

Jalem 연구원은 “재료 연구자가 상상하는, 물질 내부의 이온이 지나는 길 등을 특징량화하고 싶다”라고 말한다. 발견한 새로운 재료는 합성하여 성능을 검증한다.

이러한 타 분야의 융합은 과학기술의 개방화와 젊은 연구자들이 원동력이 되어 실현되었다. 도쿄대학의 쓰네유키(常行) 교수는 “AI의 알고리즘이나 계산 기반, 교재 등이 공개적으로 제공되어 타 분야의 연구자도 도전하기 쉬운 환경이 조성되었던 것이 성공의 요인이었던 것 같다”라고 분석한다. 재료물리 전공 학생이 오픈 소스 AI를 시험하면서 요소를 배워나간다.

또한 통계수리연구소의 히구치(樋口) 소장은 “년이나 월이 아닌 ‘일’단위로 아이디어를 공유, 기술이 경신되고 있다”라고 지적한다.

AI업계에서는 논문투고 사이트에서 좋은 아이디어를 발견하면 프로그램을 짜서 하룻밤 계산기를 돌린다. 이튿날 아침 좋은 결과가 나와 있으면 2~3시간에 논문을 써서 투고한다.

그리고 논문투고 사이트에서 다음의 아이디어를 찾는다. 이전에는 생각할 수 없었던 이런 연구 사이클이 점점 일상이 되고 있다. 베테랑 재료 연구자가 이 속도감을 쫓아가는 것은 어렵다. 젊고 우수한 학생이야말로 연구의 추진력이다.

이 점에서 위기감을 강하게 느끼고 있는 것이 중견대학의 베테랑 재료 연구자다. 도쿄대학 등의 학생은 학생이 주체적으로 타 분야의 첨단을 뒤쫓을 수 있지만 중견대학의 학생은 그런 여유가 없다. 그래서 베테랑 연구자가 젊은 연구자의 연구모임에 참석하여 박사과정 대학원생 등과 접촉하는 모습을 자주 볼 수 있다.

처음에는 “믿을 것인가, 믿지 않을 것인가”라고 반신반의였던 MI가 재료개발의 왕도가 되려 하고 있다.

  -- 끝 --