일본산업뉴스요약

Nikkei X-TECH_2022.9.8

기계학습 포텐셜(Machine Learning Potential)이란?
재료 개발 기간 단축을 위한 원자 수준의 새로운 방법

기계학습 포텐셜은 화학 실험의 결과를 예측하는 기계학습 모델을 개발하는 방법 중 하나이다. ‘원자 간 포텐셜’이라고 불리는 원자 사이에 작용하는 위치에너지의 예측에 기계학습을 적용하는 방법이다. 뉴럴 네트워크를 적용하는 경우에는 ‘뉴럴 네트워크 포텐셜’이라고 한다.

화학 분야에서는 최근 재료 개발의 효율을 높이기 위해 기계학습 등을 활용하는 머티리얼즈 인포매틱스(MI)을 추진하는 기업들이 늘고 있다. 이러한 MI를 위한 기술 중 하나로서 기계학습 포텐셜에 대한 연구가 진행되고 있다.

재료 개발에서는 물리적인 화학 실험과 컴퓨터를 활용한 가상적 실험을 병용한다. 가상적 실험의 일환으로 MI를 활용할 경우, 방대한 실험 데이터를 필요로 하기 때문에 실험 데이터를 늘리기 위해서라도 후가쿠(富岳) 등의 슈퍼컴퓨터를 활용한 시뮬레이션은 필수적이다.

화학 실험을 분자 수준에서 시뮬레이션 할 경우, 분자 안에서 일어나는 전자의 움직임 등으로 인해 원자 간에 작용하는 에너지의 변화 등 양자역학의 물리 현상을 컴퓨터 상에 재현할 필요가 있다. 이러한 계산은 ‘양자화학 계산’이나 ‘제 1원리 계산’으로 불리며, 계산량이 방대하다. 슈퍼컴퓨터를 사용해도 계산 결과를 내는 데 수 일이 걸리거나, 현실적인 시간으로는 계산이 불가능한 경우도 있다.

기계학습 포텐셜에서는 슈퍼컴퓨터를 이용한 실험 시뮬레이션 등의 양자화학 계산 결과를 교사 데이터로 사용해 실험 결과를 예측하는 모델을 개발한다. 제 1원리 계산 등의 시뮬레이션과 비교해도 압도적으로 짧은 시간에 결과를 알 수 있어, 재료 후보 압축에 소요되는 시간을 단축할 수 있을 가능성이 높다.

한편, 이러한 예측의 전 단계, 구체적으로는, 학습하기 위한 데이터를 모으는 과정에서 양자화학 계산이 필요하고, 슈퍼컴퓨터 등을 이용한 방대한 계산이 필요하다는 난점도 있다.

-- 일본 발 클라우드 서비스도 탄생 --
뉴럴 네트워크 포텐셜을 활용한 재료 탐색을 지원하는 클라우드 서비스도 등장하고 있다. 프리퍼드네트웍스(Preferred Networks, PFN)와 ENEOS의 공동 출자회사 PFCC(Preferred Computational Chemistry)가 2021년 7월에 제공을 시작한 '매틀랜티스(Matlantis)'가 그 중 하나이다.

매트랜티스를 구성하는 핵심 기술인 해석 모델은 재료를 구성하는 원자의 위치정보, 퍼텐셜 에너지의 관계를 학습하여 뉴럴 네트워크로 구축. 현재 55종류의 원소에 대응하고 있다. 퍼텐셜 에너지를 알 수 있어 분자의 운동과 재료의 물성까지 예측할 수 있다.

화학업체들이 도입하고 있는 MI 방법의 대부분은 실험에서 취득한 데이터를 활용한 것이다. 예를 들어, 화학 구조 및 조성과 물성값을 묶은 실험 데이터를 인공지능(AI)에 학습시켜 방대한 수의 원료 조합을 추출, 이 가운데 원하는 물성값을 얻을 가능성이 높은 후보를 제안하는 방식이다. 하지만 이 방법은 학습 데이터가 없는 물질 예측이 어렵다. 미지의 혁신적인 재료 발견에는 적합하지 않다.

한편, 매틀랜티스는 원소마다 다양한 원자 배열로 했을 경우의 퍼텐셜 에너지를 학습하고 있기 때문에 임의로 만든 분자의 존재 여부에 관계없이 해석이 가능하다. 미지의 분자에 대한 예측이 가능해 새로운 재료 후보 발견으로 이어질 가능성을 높일 수 있을 것으로 기대되고 있다.

 -- 끝 --

Copyright © 2020 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.