산업기술/제조/경영

Nikkei Monozukuri_2022.9 특집 요약 (p35~39)

실천적 머티리얼즈 인포매틱스(MI)
재료 개발의 획기적인 고속화

실험이나 시뮬레이션 데이터를 컴퓨터로 분석해 새로운 재료를 만들어내는 머티리얼즈 인포매틱스(Materials Informatics, MI). 지금까지 10~20년 걸리던 재료개발을 획기적으로 고속화하여 근본부터 바꾸는 기술이다. 

기존 재료업체에게는 새로운 재료개발의 라이벌이 나올 수 있는 기술이지만, 지금까지의 재료개발 지식을 한층 더 활용할 수 있는 기회이기도 하다. MI 활용에 대한 연구개발에 주력하고 있는 기업들의 기술 진전과 그 과제에 대해 살펴본다.

Part 1. MI에 3가지 방향
단기간에 승부를 낼 수 있는 재료개발, 일본기업은 기존의 우위를 유지할 수 있을까?

“장기적 연구개발로 성과를 낼 수 있는 재료기술이 일본의 강점이라는 것은 과거의 망상이다”(신에너지·산업기술종합개발기구(NEDO) 재료·나노테크놀로지부의 요다(依田) 총괄연구원). 과거, 장기적으로 연구개발을 추진할 수 있는 기업이 많았던 일본은, 재료개발에 있어서 단기적인 성과가 요구되어 장기적 활동이 어려운 해외 기업보다 유리한 입지에 있었다.

예를 들어, 1990년대 후반부터 일본제온의 고기능 재료 사업을 견인한 COP(시클로올레핀 폴리머)는 플라스틱 재료이면서 흡수성이 거의 없으며, 높은 투명성을 갖고 있어 유리를 대체할 수 있어, 광학 부품 재료로 다양한 분야의 기기에 보급되었다.

일본제온에서 이 재료가 개발 안건에 오른 것은 1986년. 본격적인 보급까지는 10년의 시간이 소요되었다. 이처럼 재료개발은 10년이나 20년의 시간이 소요되는 것이 일반적이었다. 

하지만 재료개발의 소요 기간은 극적으로 단축되었다. 컴퓨터를 이용한 데이터 처리로 재료를 개발하는 MI가 현실화되었기 때문이다. 장기적 관점에서의 연구개발에 특별히 강점이 없는 기업이라도 재료개발 수단을 확보할 수 있게 되었다.

-- 기계 학습을 응용해 시간 단축 --
MI는 재료에 관한 다양한 실험 데이터에 기계학습 등을 응용해 원하는 특성과 기능을 충족하는 재료의 설계안을 도출하는 활동이다. 최신 데이터 사이언스를 응용해 단기간에 재료개발이 가능해진다.

시간 단축의 열쇠가 되는 것이 기계학습의 이용이다. 본래 재료개발은 어떠한 조성(성분)이나 제조 조건을 이용할 경우, 원하는 물성이나 기능 등의 특성을 실현할 수 있는지를 시행착오을 통해 탐색해야 하는 작업이 필요하다. 즉, 조성이나 제조 조건을 바꿔 시작(試作)하며 그 특성을 확인하는 실험을 반복해야 한다. 장시간에 걸쳐 시작과 실험을 끈기 있게 반복해 지식을 축적해 나가는 것이 이전 일본의 강점이었다.

실험 대신 컴퓨터를 통한 시뮬레이션 계산을 이용하는 방법도 있다. 하지만 예를 들어, '제 1원리 계산' 등으로 원자나 분자의 상호 작용 시뮬레이션을 반복해 특성을 계산하는 방법은 쉽지 않아 슈퍼컴퓨터 등을 이용해도 많은 시간이 소요된다. 이에 비해 실험이나 계산 결과를 컴퓨터에 기계학습시킨 모델을 이용하면 조성이나 제조 조건을 통해 특성을 예측하는 시간이 크게 단축된다.

즉, 시행착오 1회의 사이클에 소요되는 시간이 짧아져 단기간에 많은 조성이나 제조 조건에 대한 재료 특성을 예측할 수 있으며, 그 중 최적의 것을 탐색하는 방법으로 개발을 진행할 수 있게 된다. 동시에 기계학습 모델이 내용을 알 수 있는 것(화이트박스)이라면, 조성이나 제조 조건에 어떤 인자가 있는지를 기술자가 이해하는 데 도움이 된다.

재료개발에서의 시행착오는 기술자가 원하는 특성을 얻기 위해 중요한 인자를 얼마나 잘 찾아내는지 자신의 능력을 보여줄 수 있는 시험대이다. MI는 보다 광범위한 시행착오를 가능하게 하기 때문에 유효 인자의 누락을 막는데 효과적이다. 사람의 머리로는 파악할 수 없는 복잡한 데이터에서 미지의 인자를 얻을 수 있을 것으로 기대되고 있다.

-- 실천을 위한 3가지 방향의 연구 추진 --
현시점에서 MI는 개발이 진행되고 있는 기술이며, 실천적으로 이용할 수 있는 다양한 연구가 진행되고 있다. 그 방향은 크게 3가지로 정리할 수 있다. (1) 재료에 생기는 현상을 보다 자세하게 살펴보는 연구 (2) 보다 복잡한 재료를 취급하는 연구 (3) 재료 설계나 제품 설계 기술자를 통해 침투시키는 연구 등의 3가지이다.

첫째, 재료 내부에서 일어나는 현상이나 상태를 자세히 살펴보는 연구 방향. 예를 들면, 스미토모고무공업의 경우, 실험으로부터 얻을 수 있는 상세한 데이터 분석에 MI 기술에 적용하기 시작했다. 고무의 모재(母材)에 실리카 입자 등의 필러를 혼합한 재료 샘플을 당기면서 X선 회절법으로 분석하고 있다.

기존에는 “예를 들어 말하면, 기존에는 현상이 시작되기 전과 끝난 후의 영상 밖에 얻을 수 없었지만, 현재는 중간 단계의 과정을 상세하게 볼 수 있게 되었다”(스미토모고무공업). 실리카 입자의 움직임과 같은 미세한 현상을 포착할 수 있게 된 반면, 대량의 데이터를 사람이 이해할 수 있는 형태로 분석하는 시간이 방대해졌다. 이를 해결하기 위해 컴퓨터를 이용한 데이터 분석이 활용되고 있다(스미토모 고무공업의 사례).

ENEOS(도쿄)는 분자나 원자의 전자 상태를 이론에 근거해 계산해 물질의 물성을 예측하는 제 1원리 계산에서부터 기계학습 모델을 구축해 수천 원자의 규모까지 적용 가능하게 했다. 인공지능(AI) 벤처기업인 프리퍼드네트웍스(Preferred Networks, 도쿄)와 공동으로 모델의 사외 제공을 시작, 독자적으로 고기능 윤활유의 개발 등에도 기계학습을 이용하기 시작했다(ENEOS의 사례).

-- 복잡한 재료에는 2단계의 AI로 도전한다 --
제 1원리의 계산 등은 이론에 충실한 예측이 가능한 반면, “많은 재료계는 다수의 성분을 포함하고 있어 단순한 원소나 화학결합만으로 특성을 예측하기 어렵다”(NEDO의 요다 총괄연구원). 이에 NEDO, 산업기술종합연구소(AIST), 첨단소재고속개발기술연구조합(ADMAT), 일본제온은 복수의 기계학습 모델을 이용, 섬유강화 플라스틱을 테마로 조성을 통해 특성을 예측하는 시스템을 구축했다.

모델을 이용한 예측을 2단계로 나누고, 1단계에서는 복수의 항목에 대해 중간 단계의 예측을 실행하는 방법을 통해 2단계 모델에 보다 많은 정보를 전달한다고 한다(NEDO 등의 기술 해설 참고).

라이온은 치약 제품을 대상으로, 양산 시 생산설비 안을 제품이 원활하게 통과할 수 있는 ‘이송성(移送性)'을 예측하는데 2단계 모델을 이용하는 방법을 개발했다. 현재 시범 적용에 들어갔으며 곧 실용화될 전망이다.

-- 기술자로의 침투 도모 --
재료개발을 크게 가속화할 것으로 기대되고 있는 MI이지만, 그 도입·활용을 추진하는 기업에게는 공통된 과제가 있다. 기술자로의 침투이다. 그래서 재료 데이터를 사내에서 일원화하거나 기술자용으로 기계학습 모델을 이용하기 쉽게 하려는 기업들의 노력이 시작되고 있다. 

AGC는 MI 실행을 위한 기반 시스템 구축에 주력하기 시작했다. 실험 데이터 정리와 함께 시뮬레이션 계산을 중시하고 있으며, 유기 저분자 화합물용 양자 계산이나 폴리머용 분자 동역학 계산 툴 등을 사용하기 쉽게 정비. 기술자가 MI에서의 기계학습 및 탐색에 이용하기 쉽도록 했다(AGC의 사례).

오랜 기간 재료개발을 추진해온 온 일본 기업 중에는 실험 데이터가 축적되어 있지만, 디지털화되어 있지 않거나 부서나 기술자 개인의 노트나 표계산 데이터 형태로 묻혀 있는 경우가 많다.

 MI로 단기간에 재료개발이 가능해진다고 해도, 그 성패는 베이스가 되는 데이터에 따라 좌우되기 때문에, 양질의 데이터를 가지고 있는 기업은 MI에서도 유리한 입지를 유지할 수 있을 것이다. 데이터를 기업의 디지털 기반으로서 정비하는 것이 매우 중요한 과제다.

닛케이모노즈쿠리가 7월 29일~8월 3일, 뉴스전송서비스 '닛케이모노즈쿠리 NEWS' 독자를 대상으로 한 조사에서도 설계·실험 데이터의 셰어링에 대해 '데이터에 따라 내용이 제각각이다' '데이터를 검색하기 어렵다'는 등의 답변이 많았다. 

하지만 문제점을 많이 지적한 사람은 이미 데이터 셰어링을 이용하고 있는 응답자였으며, 이용 하고 있지 않은 응답자는 대체로 질문에 답하지 않았다. MI와 재료개발에 한정되지 않는 데이터 드리븐의 설계 방법에 대해서는 대응을 추진하는 기업과 그렇지 않은 기업 간 의식에 큰 차이가 있는 것으로 나타났다.

-- 시행착오의 고속화에 기대 --
MI가 재료개발에 미치는 임팩트는 주로 소요 시간과 탐색 범위이다. 이 2가지 중 어느 쪽을 더 기대하고 있는지에 대한 질문에 시간 단축이나 시행착오의 고속화에 기대한다는 답변이 많았다. 가장 많이 선택된 답변은 ‘보다 짧은 시간에 설계가 가능해진다’. 근소한 차이로 2위가 ‘시간이 걸리는 시행착오를 컴퓨터가 대신한다’였다. 반면 '사람이 하는 것보다 검토 범위가 넓어진다'는 5위에 그쳤다.

사실, MI를 추진하는 기업들은 입을 모아 “원하는 특성을 달성하기 위한 노하우를 얻을 수 있을 것으로 기대하고 있다”라고 말한다. 반드시 최종 해답을 컴퓨터로 내놓으려고 하지는 않는다.

“모델에 의한 특성 예측이 단시간에 끝난다고 해도 현실적 과제는 복잡하다. 모든 조성이나 제조 조건을 망라하는 것은 현실적이지 않다”(요코하마고무 연구선행개발본부의 고이시(小石) AI 연구실·연구 실장). MI를 이용하는데 있어 얼마나 빠르고 유효한 인자를 찾을지는 여전히 기술자의 몫인 것이다.

요코하마고무는 AI의 이용·활용에 대한 구상 ‘하이코랩(HAICoLab)’의 일환으로 데이터에 근거한 객관적인 재료 설계·타이어 설계를 목표로 하고 있다. 베테랑 기술자도 파악할 수 없는 현상이나, 경험에 사로잡혀 기술자가 배제하고 있는 사실에 대해 데이터를 기반으로 객관적으로 지적하는 활동도 추진하고 있다고 한다.

MI는 시간이 걸리는 실험이나 계산밖에 없었던 재료개발 현장에 컴퓨터를 이용한 데이터 탐색을 도입했다는 점에서 업무 진행 방식을 크게 바꾸는 획기적인 기술이다. 그렇다고 해서 시행착오를 거듭해 유망한 재료를 찾는다는 개발 설계의 본질이 크게 달라지는 것은 아니다. ‘하늘을 날 수 있는 도구’처럼 보여도 객관적인 지식을 바탕으로 설계를 진행하는 방법이라는 점에서 오히려 착실하게 대응해야 할 진화 방향이라고 할 수 있다.

Part2 사례 

■ 스미토모고무공업 / 상세하게 현상을 관찰
구불구불 움직이는 고무의 구조를 재현, 계측 빅데이터를 고속으로 분석

스미토모고무공업이 도입한 재료 분석 서비스 ‘WAVE BASE’를 이용하면 계측으로 얻은 빅데이터를 활용해 고무 변형에 따른 분자구조 등 미세한 변화를 연속적으로 분석할 수 있다. 

■ ENEOS / 상세하게 현상을 관찰
55원소를 자유롭게 조합해 미지의 분자를 경이로운 속도로 분석

ENEOS와 프리퍼드네트웍스(도쿄)가 공동 개발한 원자 레벨 시뮬레이터 '매트랜티스(Matlantis)'는 수천 개 원자의 퍼텐셜 에너지를 0.3초 만에 분석해 분자의 움직임을 재현할 수 있다. 기존의 계산법으로는 2개월 정도 걸리는 계산량이다. 압도적인 계산 속도로 다양한 재료의 특징을 분자 수준에서 예측할 수 있는 매트랜티스는 현상 해명 및 재료 탐색의 가속화를 기대할 수 있다.

■ NEDO/AIST/ADMAT/일본제온, 복잡한 재료를 취급
다성분 섬유강화플라스틱 예측, 기업의 숨겨진 데이터 활용이 가능

섬유강화플라스틱은 플라스틱 모재에 섬유 등의 보강재가 들어 있을 뿐만 아니라, 섬유와 플라스틱을 연결하는 첨가제가 들어 있으며, 모재 자체도 여러 성분으로 구성되어 있는 등 매우 복잡한 조성으로 이루어져 있다. 이런 복잡한 재료는 인공지능(AI)을 이용하더라도 조성을 바탕으로 특성을 고정밀도로 예측하기 어려운 것으로 알려져 왔다.

올 6월 30일, 신에너지·산업기술종합개발기구(NEDO)와 산업기술종합연구소(AIST), 첨단소재고속개발기술연구조합(ADMAT), 일본제온의 실증팀이 이 문제 해결을 위한 실증연구 성과를 발표했다. 

■ 라이온, 복잡한 재료 취급
치약의 점성을 조합하기 전에 확인, 2단계 추론으로 실험을 대체하는 정밀도 실현

치약의 신제품 개발 시 관문 중 하나가 되는 것이 제조기에서 충전기까지 안정적으로 보낼 수 있는지 그 '이송성'을 확인하는 작업이다.

라이언은 이 확인 작업을 컴퓨터로 수행하기 위해 치약 조성에서 이송성을 예측하는 시스템을 구축했다. 기계학습 모델에 따른 2단계 추론을 실행. 1단계에서는 조성을 기반으로 점도 등의 물성을 예측. 이 물성의 예측치를 이용하여 2단계에서 이송성을 예측하고 있다.

■ AGC, 기술자에게 침투시킨다
3개의 독자적 툴로 이용환경을 정비, 연구부문의 70% 활용으로 성과 잇따라

AGC는 기계학습 등을 활용해 신재료를 탐구하는 MI 개발 환경을 여러 개의 독자적 툴로 만들어 재료개발의 효율화를 도모하고 있다. 이미 자동차용 유리 코팅제와 연료전지용 전해질 폴리머 개발 등에서 성과를 내기 시작했다.

Part3 일본 기업의 공통 과제
사용할 수 있는 실험 데이터 부족, 기계가 이해하는 형태로 축적해야

화학 제조사 등 일본의 대형 제조업체들이 주력하고 있는 MI. 각 기업들의 대응을 취재한 결과, 공통된 과제가 떠올랐다. 그것은 실험 데이터에 관한 문제이다.

MI에서 사용하는 기계학습 모델을 개발하기 위해서는 대량의 실험 데이터가 필요하다. 또한 실험 데이터는 실험 프로세스나 결과 등을 기계가 이해할 수 있는 형태로 구조화해 축적해야 한다. 그런데 대부분의 일본 제조사는 과거의 실험 데이터를 디지털 데이터로서 축적하지 않은 것이다. 또한 실험 데이터를 축적하고 있어도 기계학습 모델 개발을 위해서는 데이터 양이 부족하다는 과제도 있다. 

 -- 끝 --

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