Argonne National Laboratory, MOF 혁신 가속화를 위한 생성적 AI 프레임워크 출시

급속한 산업 발전의 배경 하에 지구는 심각하고 시급한 문제, 즉 과도한 이산화탄소 배출에 직면해 있습니다. 이산화탄소는 인간이 생존을 위해 의존하는 집을 둘러싼 보이지 않는 두꺼운 고치와 같아서 조용히 지구 기후를 변화시키고 잦은 극심한 기상 현상, 생태계의 심각한 피해, 농업 생산 방해, 공중 보건 문제 등 일련의 연쇄 반응을 일으킵니다.

이산화탄소 배출량 증가 문제를 해결하는 최첨단 수단으로, 탄소 포집 기술의 혁신과 개발은 특히 중요하며 널리 주목을 받고 있습니다. 이 기술은 물리적 또는 화학적 방법을 사용하여 대규모 배출원에서 이산화탄소를 추출하고, 이를 처리하여 대기로 직접 유입되는 것을 방지함으로써 배출 감소 목적을 달성합니다.

최근 들어, 금속-유기 골격(MOF)이라 불리는 새로운 유형의 다공성 결정질 소재가 그 독특한 구조와 특성으로 인해 많은 연구자들의 폭넓은 관심을 끌고 있습니다. MOF는 금속 이온과 유기 리간드가 배위 결합을 통해 자체 조립됩니다. 활성탄이나 분자체와 같은 기존의 고체 흡착제와 비교했을 때, 이 흡착제는 환경 친화적이며, 에너지 소비가 적고 이산화탄소 흡착 성능이 더 뛰어납니다.

그러나 현재 MOF 생산 설계는 일반적으로 막대한 양의 실험 데이터와 계산 작업에 의존하는데, 이는 비용과 시간이 많이 소요됩니다. 이를 위해,미국 Argonne National Laboratory의 연구팀은 생성적 AI 프레임워크인 GHP-MOFsassemble을 제안했습니다.이 프레임워크는 새로운 MOF 구조를 무작위로 생성하고 조립하고, 분자 동역학 시뮬레이션을 통해 매우 안정적인 MOF 구조를 스크린하고, CGCNN(Crystal Graph Convolutional Neural Network)과 Grand Canonical Monte Carlo 시뮬레이션을 사용하여 이산화탄소에 대한 MOF의 흡착 용량을 테스트할 수 있습니다. 연구 결과에 따르면, 이 방법을 사용하면 33분 만에 120,000개의 새로운 후보 MOF를 빠르게 조립할 수 있었으며, 이는 향후 MOF 설계 개발에 큰 도움이 되었습니다.

연구 하이라이트:

* 생성 AI 프레임워크 GHP-MOFsassemble은 33분 만에 120,000개의 새로운 후보 MOF를 빠르게 조립합니다.

* 이 접근 방식은 대규모 데이터베이스 구축의 높은 비용을 줄일 수 있습니다.

서류 주소:
https://www.nature.com/articles/s42004-023-01090-2

한 번의 클릭으로 데이터 세트를 다운로드하세요:

https://bit.ly/3IlrvQl
공식 계정을 팔로우하고 "MOFs"라고 답글을 달면 전체 PDF를 받을 수 있습니다.

고처리량 컴퓨팅 프레임워크는 세 가지 주요 구조로 구성됩니다.

연구진이 제안한 GHP-MOFsassemble 방법은 주로 분해(Decompose), 생성(Generate), 스크리닝 및 예측(Screen and Predict)의 세 가지 구성 요소로 이루어진 새로운 유형의 고처리량 컴퓨팅 프레임워크입니다.

분해: MMPA를 사용하여 hMOF 데이터 세트 분해

연구를 위해 선정된 hMOF는 고성능 금속 유기 골격(HMF) 관련 데이터 세트로, 여기에는 선별되거나 실험적으로 검증된 고성능 MOF의 구조 정보가 포함되어 있습니다.

hMOF 데이터 세트에는 Cu PW-pcu, Zn PW-pcu, Zn TM-pcu의 세 가지 유형의 위상 구조가 자주 나타나며, 데이터 세트의 총 102,117개 hMOF 구조 중 74%를 차지합니다. 연구진은 정확하게 해결된 MOFid와 유효한 SMILES 구조를 가진 78,238개의 MOF 구조 데이터를 선택했습니다.
SMILES: 단순화된 분자 입력 라인 입력 시스템, 단순화된 분자 선형 입력 사양

연구진은 고성능 hMOF 구조(위 표의 마지막 열)에서 추출한 540개의 분자 조각을 선택하고, 분자 쌍 매칭 알고리즘(MMPA)을 통해 540개의 고유한 구조를 분해한 후, 해당 분자 조각을 추출했습니다. DiffLinker를 사용하여 새로운 MOF 링커를 생성했습니다.

생성: 새로운 MOF 링커를 생성하기 위한 확산 모델

GHP-MOFassemble 프레임워크의 생성 부분에서 연구진은 먼저 위의 540개 고유 구조의 분자 조각을 추출했습니다.새로운 MOF 링커는 확산 모델 DiffLinker를 사용하여 생성되었습니다.

이 과정에서 연구진은 오픈바벨을 사용하여 수소 원자를 추가하고 잘못된 수소 할당이 있는 커넥터를 삭제하고, 가상 원자 인식 프로세스를 수행하고, 금속 노드와 조립할 수 있는 정보를 생성한 다음 구성 요소 필터를 통해 처리하여 최종적으로 12,305개의 커넥터를 얻었습니다. 마침내,DiffLinker가 생성한 3개의 링커와 hMOFs 데이터 세트에 자주 나타나는 금속 노드가 조립을 위해 무작위로 선택되었습니다.

연구진은 Argonne National Laboratory(ALCF)의 Theta 슈퍼컴퓨터에서 33분 만에 PCU 토폴로지를 갖춘 120,000개의 새로운 MOF를 생성했다고 보고되었습니다.

스크린 및 예측: CGCNN 모델이 이산화탄소 흡착 용량을 테스트합니다.

연구진은 새로운 MOF에 대해 기하학적 구조 검사를 수행하여 40분 이내에 효과적인 결합 길이를 가진 78,796개의 MOF를 식별했습니다. 그런 다음 사전 시뮬레이션 검사를 수행했고, 4시간(205분) 이내에 18,770개의 MOF가 LAMMPS 입력 파일을 성공적으로 생성한 것으로 확인되었습니다. LAMMPS 시뮬레이션의 수를 줄이기 위해 연구진은 MOF의 흡착 특성을 스크리닝하기 위해 CGCNN 모델을 훈련했습니다.
LAMMPS: 대규모 원자/분자 대규모 병렬 시뮬레이터

CGCNN 모델 학습 과정: hMOF 데이터 세트의 MOF 구조와 0.1bar에서의 이산화탄소 흡착량을 입력 데이터로 사용합니다. hMOF 데이터 세트는 훈련용 80%, 검증용 10%, 테스트용 10%의 세 가지 데이터 세트로 분할되었습니다. 이러한 데이터 분할을 통해 세 개의 CGCNN 모델이 무작위 가중치 초기화 방법을 사용하여 훈련되었습니다.

연구진은 NVIDIA A40 GPU에서 CGCNN 모델을 기반으로 학습하여 위에서 언급한 18,770개의 선별된 MOF 구조의 이산화탄소 흡착 용량을 예측하고, 높은 흡착 성능을 보이는 364개의 MOF 구조에 대한 분자 동역학 시뮬레이션을 수행했습니다. AI 추론 과정 전체가 50분 안에 완료되었습니다.

요약하자면, 연구진은 GHP-MOFsassemble 프레임워크를 기반으로 새로운 MOF 구조를 생성하고 고성능 구조를 스크리닝하는 전체 과정을 5시간 7분 안에 완료했습니다.

마지막으로 연구진은 102개의 안정적이고 고성능의 MOF 구조를 식별하고 이 102개의 MOF에 대해 GCMC(Grand Canonical Monte Carlo) 시뮬레이션을 수행했습니다.0.1bar, 300K에서 이산화탄소 흡착 용량을 계산하여, 2 m mol g−1보다 높은 이산화탄소 흡착 용량을 가진 MOF 6개를 발견했습니다. 이들 6가지 MOF의 결정 구조는 다음과 같습니다.

실험적 결론: AI 프레임워크는 효과적인 새로운 MOF를 생성할 수 있습니다.

연구진은 AI 프레임워크를 기반으로 생성된 리간드와 hMOF 리간드 간의 유사성 분석을 수행한 결과, AI가 생성한 리간드와 hMOF의 리간드 간의 유사성은 30%~40%에 불과한 것으로 나타났다.이는 AI 프레임워크가 새로운 리간드를 생성할 수 있음을 보여줍니다.

0.4의 높은 유사성 피크는 AI가 hMOF에 이미 존재하는 것과 유사한 리간드를 생성할 수 있음을 나타냅니다.이는 이 AI 프레임워크에서 생성된 MOF가 실질적으로 효과적임을 보여줍니다.

GHP-MOFassemble은 우수한 특성을 지닌 금속 유기 골격 구조를 성공적으로 발견하고 검증할 수 있지만 완벽하지는 않다는 점을 언급할 가치가 있습니다.실험 과정의 스크리닝 규칙, 시뮬레이션 조건 및 모델 정확도는 결과의 정확도에 영향을 미칩니다. 이 AI 프레임워크로 스크리닝한 MOF의 성능도 실험을 통해 추가로 검증해야 합니다.

AI, 탄소 포집에 심층적 접근…엔비디아 시뮬레이션 속도 70만 배 향상

오늘날 기후 변화에 대응하는 것은 모든 인류의 공동 미래에 관한 세계적인 과제가 되었습니다. 중국 정부는 이를 매우 중시하며 명확한 배출 감축 방향을 설정했습니다. 2030년 이전에 이산화탄소 배출량 정점에 도달하고, 2060년 이전에 탄소 중립을 달성하고자 노력할 계획입니다. "탄소 정점"과 "탄소 중립"이라는 비전이 AI 디지털 기술과 결합되면 미래에는 일련의 변화가 일어날 것입니다.실제로 인공지능은 저탄소에 대한 해결책을 찾고 있었습니다.

Microsoft에서는 다음과 같이 말했습니다.AI 기술은 다양한 출처에서 얻은 방대한 양의 데이터를 활용하여 복잡한 문제를 해결함으로써 글로벌 생산성을 향상시키고 이산화탄소와 기타 온실 가스 배출을 줄이는 데 기여합니다.  또한 서리대학교 진쉬안 교수는 AI 모델의 도움으로 석탄 화력 발전소의 탄소 포집 시설의 에너지 소비를 3분의 1 이상 줄이고 이산화탄소 포집 효율을 최소 16.7%까지 높일 수 있다는 것을 그의 연구에서 보여주었습니다.

또한 NVIDIA는 대화형 고해상도 시뮬레이션을 통해 기후 및 날씨 예측을 가속화할 수 있는 풀스택 오픈 플랫폼 Earth-2도 출시했습니다. 동시에 NVIDIA는 Riebel 신경망 연산자와 신경망 프레임워크인 NVIDIA Modulus를 사용하여 탄소 포집 및 저장의 시뮬레이션 분석 속도를 70만 배나 높여 이산화탄소 플룸과 압력 축적의 신뢰성 평가를 2.8초 만에 완료했습니다. 이러한 개선은 의심할 여지 없이 후속 탄소 포집 연구에 대한 기술적 지원을 제공합니다.

점점 더 심각해지는 환경적 압박과 생태학적 경고에 직면하여, 탄소 포집 기술의 획기적인 발전과 응용을 촉진하는 것은 더 이상 단순한 과학적 제안이 아니라 인류의 지속 가능한 발전과 관련된 시대적 문제이기도 합니다.AI 기술을 탄소 포집 프로세스에 통합하는 것, 특히 금속 유기 골격(MOF)과 같은 신소재를 설계하는 것은 새로운 차원의 과학 및 기술 혁신을 가져올 것으로 기대되며, 이를 통해 글로벌 경제 및 사회 시스템이 보다 녹색하고 저탄소 방향으로 전환되는 데 도움이 될 것입니다.

참고문헌:
1. https://www.ambchina.com
2.https:www.nvidia.cn/high-performance-computing/earth-2/
3.http://www.tanpaifang.com/CCUS/202307/1198593.html
4.http://m.xinhuanet.com/tech/2021-04/01/c_1127280796.htm