무기물질 역합성의 효율성이 크게 향상되었습니다. 한국팀이 Retrieval-Retro를 출시했고, 그 결과가 NeurIPS 2024에 선정되었습니다.
2023년 11월, 미국 로렌스 버클리 국립연구소의 과학자들은 로봇 팔 주위에서 숨을 참았습니다. A-Lab이라는 이름의 이 AI 소재 합성 플랫폼은 41개의 새로운 무기 소재를 연속해서 성공적으로 제조한 후 첫 번째 합성 실패를 경험한 것입니다. 빨간 경고등이 켜지자 실험실은 환호성으로 들끓었다. 프로젝트 리더인 게르브란트 세더 교수는 "이 실수는 성공보다 더 가치가 있다"고 설명했습니다.이는 용매 역학을 이해하는 데 있어 AI가 갖고 있는 맹점을 드러냅니다.이는 인간과 기계의 공동 진화에 있어서 중요한 순간입니다."
이처럼 겉보기에 비정상적인 축하 행사는 지난 세기 동안 일어나지 않았던 무기 재료 합성 분야의 패러다임 전환을 반영합니다. 유기화학자 EJ Corey가 1960년대에 역합성 분석법을 제안한 이후, 무기화학자들은 그들만의 "성배"를 찾아왔습니다.마치 레고 블록을 분해하는 것처럼 복잡한 무기 재료를 역공학하여 실행 가능한 합성 단계로 만들 수 있을까요?
이 꿈은 2020년에 더 나은 방향으로 전환되었습니다. 중국 과학기술대학의 유슈홍 학술원 교수 팀이 Nature Nanotechnology 저널에 머신 러닝을 사용하여 계면 에너지 차이를 예측하고 반도체 나노와이어의 특정 위치에 자성 재료를 성공적으로 "조각"했다고 발표했습니다.학계에서는 이 기술을 20년간의 실험적 축적이 필요할 것으로 예상했지만, AI가 단 3개월 만에 성공적으로 해독했습니다.
변화의 물결은 예상보다 빠르게 다가오고 있습니다. 2023년에Google DeepMind가 GNoME 플랫폼을 출시했습니다.단 17일 만에 380개의 안정적인 무기 결정이 선별되었고, 그 중 52개가 실험적으로 검증되었습니다. 더욱 놀라운 것은 노스웨스턴 폴리테크닉 대학 팀이 우주선용 세라믹 코팅을 개발할 때,AI는 "먼저 미세균열 네트워크를 구축한 다음 치유제로 채우는" 반직관적인 경로를 역으로 추론합니다.——이러한 "손실 방지" 전략은 항공기의 자체 수리 "갑옷 스케일"을 단조하는 것과 마찬가지로 재료의 내열성을 300°C까지 증가시킵니다.
오늘날 전 세계 실험실의 환기구 뒤에서 조용한 이중 혁명이 조용히 전개되고 있습니다. AI는 인간의 합성적 경험에서 배우는 것뿐만 아니라 인간의 직관을 뛰어넘는 새로운 준비 경로를 탐색하고 창조합니다. 최근에,한국화학연구원(KRICT)과 한국과학기술원(KAIST)은 공동으로 Retrieval-Retro라는 무기 역합성 계획 방법을 제안했습니다.이 방법은 열역학적 관계와 주의 메커니즘을 결합하여 무기 재료 합성의 효율성과 정확성을 성공적으로 향상시킵니다. 새로운 합성 공식을 식별하는 데 있어서 탁월한 성과를 보여 재료 발견 분야에 새로운 희망을 가져왔으며, 향후 연구에서 더 큰 역할을 할 것으로 기대됩니다.
"Retrieval-Retro: Retrieval-based Inorganic Retrosynthesis with Expert Knowledge"라는 제목의 관련 결과는 AI 분야 최고 학술대회인 NeurIPS 2024에 선정되었습니다.
논문 링크:
https://doi.org/10.48550/arXiv.2410.21341
데이터세트 다운로드 링크:
오픈소스 주소:
https://github.com/HeewoongNoh/Retrieval-Retro
무기 역합성: 실험적 시행착오에 크게 의존, AI 알고리즘은 여전히 개선이 필요
재료 과학의 오랜 역사를 통틀어 시행착오만이 미지의 영역을 탐험하는 유일한 방법이었습니다. 과학자들은 마치 맹인이 코끼리를 만지듯 공식을 반복해서 조정하고 샘플을 발사하여 우연히 성능의 "최적 지점"에 도달했습니다. 이 패턴은 역합성 분석의 탄생으로 인해 유기 합성 분야에서 처음으로 깨졌습니다. 1964년, EJ 코리는 퍼즐처럼 표적 분자를 역으로 합성체로 분해하고, 맹목적인 시도가 아닌 논리적 추론을 통해 합성 경로를 찾는 것을 제안했습니다. 벤조푸란 합성 문제를 해결할 때와 마찬가지로, 화학자들은 더 이상 페놀 유도체의 모든 가능한 조합을 테스트할 필요가 없습니다. 그 대신, 그들은 핵심 CO 결합의 절단 부위를 식별함으로써 페놀과 1,3-디카르보닐 화합물의 철 촉매 결합 경로를 정확하게 찾을 수 있습니다. 화학 결합의 지능적 절단에 기반한 이러한 사고의 혁명은 유기 합성이 경험주의에서 합리적 설계 시대로 옮겨갈 수 있게 해주었습니다.
하지만 전장이 무기적인 세계로 바뀌면 상황은 훨씬 더 복잡해집니다.첫 번째,무기 화합물은 더 복잡한 결합 메커니즘을 포함하며, 유기 분자와 같은 기능 그룹을 통해 모듈식으로 구조-속성 관계를 분석하기 어렵습니다.둘째,무기 합성 반응은 종종 다상 계면 진화와 준안정 상태와의 경쟁을 수반하며, 그 반응 속도론은 유기 시스템의 용액 반응보다 예측하기 어렵습니다.뿐만 아니라,무기 결정장 안정화 에너지, 결함 형성 에너지와 같은 주요 매개변수에 대한 기존 계산화학 방법의 계산 정확도는 신뢰할 수 있는 역경로 추론을 지원하기에 충분하지 않습니다. 이로 인해 무기 역합성 연구는 여전히 실험적 시행착오에 크게 의존하고 있으며, 이론적 틀을 구축하는 것이 유기 시스템의 경우보다 훨씬 더 복잡합니다.
오늘날 AI 기술이 추가되면서 이 분야에 새로운 길이 열렸습니다. 예를 들어, 생성적 적대 네트워크는 인간 경험의 한계를 돌파하여 특수한 전자기적 특성을 지닌 페로브스카이트 격자와 같은 혁신적인 구조를 설계할 수 있습니다. 양자 몬테카를로 방법은 미시 세계로 깊이 들어가 고온 초전도체에서 쿠퍼 쌍의 양자 얽힘 메커니즘을 분석합니다. 뒤처지지 않기 위해 그래프 신경망은 원자 궤도 재구성 규칙을 해독하여 무기 물질에만 있는 양자 반응 규칙 체계를 점진적으로 구축했습니다.
이러한 분야에서 AI 기술이 지속적으로 발전함에 따라 무기적 역합성의 어려움은 점차 극복되고 있습니다. 기술 반복의 물결 속에서합성곱 변분 자동 인코더는 재료의 역설계를 달성한 최초의 제품입니다.그것은 이 분야에 빛을 가져다줍니다. 이후, ElemwiseRetro 모델은 예측 정확도를 최적화하기 위해 전구체 템플릿 라이브러리를 추가로 도입했습니다. 그러나 기존 알고리즘이 큰 진전을 이루었음에도 불구하고,그러나 "유사한 물질을 언급하는" 화학자들의 의사결정 지혜는 아직 완전히 재현되지 않았습니다.다시 말해, AI는 소재를 더 정확하게 설계하기 위해 인간 화학자의 사고방식을 더 학습해야 합니다.
이러한 단점을 보완하기 위해 서울대학교 연구팀은 Retrieval-Retro라는 새로운 무기 역합성 계획 방법을 개발했습니다.이 연구는 첨단 검색 기술과 주의 메커니즘을 통해 전구체 정보를 효율적으로 식별하고 추출하여 물질의 발견과 합성을 가속화하는 것을 목표로 합니다.광범위한 실험 결과, Retrieval-Retro는 다양한 시나리오에서 뛰어난 성능을 보이는 것으로 나타났으며, 특히 보다 현실적이고 어려운 연도 분할 시나리오에서 그 성능이 두드러졌습니다. 무기 재료에 대한 새로운 합성 공식을 발견하는 데 있어서 이 물질의 탁월한 능력은 실용적인 재료 발견에 있어서 이 물질의 엄청난 응용 잠재력을 충분히 입증합니다.
회수-역전: 무기 역합성 계획에 대한 혁신적인 접근 방식
Retrieval-Retro의 핵심은 두 개의 상호 보완적인 리트리버를 사용하는 것입니다.——24,304편의 재료과학 논문에서 추출한 33,343개의 무기물 합성식을 참고자료로 하여 전구체 정보를 추출하는 Masked Precursor Completion (MPC) 검색기와 Neural Reaction Energy (NRE) 검색기입니다.
데이터세트 다운로드 링크:
MPC 검색기는 전구체 간의 종속성을 학습하여 대상 물질과 유사한 전구체를 가진 참조 물질을 식별합니다. 대상 자료와 지식 기반의 모든 자료 사이의 코사인 유사도를 계산하여 가장 유사한 상위 K개의 자료를 검색합니다.이 방법은 전구체와 표적 물질 간의 상관관계를 효과적으로 파악하여 후속 합성 계획에 중요한 단서를 제공합니다.
그러나 MPC 검색기는 유사한 전구체 세트를 식별할 수 있지만 무기 합성에 중요한 물질 간의 열역학적 관계를 무시합니다. 이를 위해 NRE 리트리버는 열역학적 구동력을 기반으로 합니다.기준 물질은 표적 물질과 전구체 앙상블 사이의 깁스 자유 에너지(∆G)를 고려하여 선택됩니다.일정한 압력과 온도에서 음의 ∆G는 합성 반응이 자발적으로 일어날 수 있음을 나타내며, ∆G 값이 클수록 전구체 집합체가 목표 물질을 합성할 가능성이 높아집니다. NRE 리트리버는 DFT로 계산된 발전 에너지 데이터와 실험된 발전 에너지 데이터를 사전 학습 및 미세 조정 메커니즘을 통해 사용하여 표적 물질과 기준 물질의 발전 에너지를 예측하고, 이를 통해 열역학적으로 가장 유리한 기준 물질을 선택합니다.
전구체 정보를 추출하는 과정에서,Retrieval-Retro는 자기 주의와 교차 주의 메커니즘을 채택합니다.합성 그래프 인코더를 통해 대상 물질과 참조 물질을 인코딩함으로써, 모델은 자기 주의 메커니즘을 통해 참조 물질의 표현을 향상시키고 교차 주의 메커니즘을 통해 대상 물질의 표현을 향상된 참조 물질 표현과 병합하여 전구체 정보를 암묵적으로 추출할 수 있다. 이 방법은 표준 물질의 정보를 충분히 활용할 수 있을 뿐만 아니라 표준 물질의 전구체 정보를 직접 사용하는 데 따른 한계를 피하고, 모델 학습 능력을 크게 향상시키고 새로운 합성식을 도출할 수 있습니다.
연구자들은 Retrieval-Retro의 효과를 검증하기 위해 이를 기존의 여러 무기 역합성 방법 및 기준 방법과 비교했습니다. 이러한 방법에는 Roost, CrabNet과 같은 물질 구성 기반 표현 학습 방법과 Composition MLP, Graph Network와 같은 새롭게 제안된 기준 방법이 포함됩니다. 실험 결과는 다음과 같습니다.Retrieval-Retro는 모든 테스트 시나리오에서 기준 모델보다 우수한 성능을 보입니다.특히 연도별 설정에서는 성과 개선이 더욱 두드러집니다. 이는 Retrieval-Retro가 이론상으로만 혁신적인 것이 아니라, 실제 적용에 있어서도 강력한 적응성과 효과성을 가지고 있음을 보여줍니다.
물질 연금술의 궁극적 형태: AI가 주기율표에 의문을 제기하기 시작할 때
서울대학교의 회수-역전사 모델이 전통적 회수의 경계를 깨는 것을 배경으로, 무기 역전사 합성 분야는 새로운 발전 기회를 환영하고 있습니다.2024년 현재 인간은 118번째 원소인 Og를 합성했습니다.이러한 원소는 현실 세계에서는 반감기가 극히 짧을 수 있지만, AI 지원 소재 발견에 대한 응용 프로그램이 이미 등장하고 있습니다.
현실과 가상을 엮어내는 이러한 탐구는 재료 과학의 인지적 차원을 재구성하고 있습니다. 전통적인 무기화학은 여전히 폴링의 법칙과 흄-로더리의 법칙을 고수하는 반면, AI는 텐서 네트워크를 사용하여 전자 상관 효과를 재구성하고 양자 어닐링 알고리즘을 통해 고온 초전도체의 잠재적 메커니즘을 탐구하기 시작했습니다. 예를 들어, A-Lab은 로봇공학과 머신러닝을 결합하여 다양한 새로운 무기 재료를 합성하는 데 성공했으며, 이는 재료 합성에 있어 AI의 엄청난 잠재력을 보여줍니다.
이러한 인지적 도약은 두 가지 혁명을 가져옵니다.기술적인 측면에서,Microsoft의 양자 컴퓨팅 팀은 최신 양자 칩 "Majorana 1"을 통해 위상 도체 재료를 사용하여 더 안정적이고 효율적인 양자 컴퓨팅을 달성하기 위해 위상 큐비트와 역합성 알고리즘을 결합하고 있습니다.과학철학의 관점에서 보면,MIT의 합성 지능 연구소는 AI가 가상 반응기를 통해 화학 합성 과정을 어떻게 시뮬레이션하고 최적화할 수 있는지에 대한 연구를 시작했으며, 이를 통해 물질 세계에 대한 인간의 이해를 새롭게 정의할 것입니다. 퀴리 부인이 피치블렌드에서 라듐을 추출한 것처럼, AI는 인간이 아직 명명하지 않은 물질적 형태를 가상 반응기에서 촉진할 수도 있습니다.
오래된 패러다임과 새로운 패러다임의 교차점에 서서 무기적 역합성은 가장 흥미로운 장을 써 내려가고 있습니다. 이는 라부아지에 시대로부터 물려받은 물질적 해체의 전통을 이어갈 뿐만 아니라 인간과 기계의 협업이라는 "인간 이후의 물질 과학"을 탄생시켰습니다. 상하이 싱크로트론 방사광원의 X선과 GNoME의 신경망이 380번째 안정된 결정을 공동으로 분석했을 때, 우리가 본 것은 기술적 반복일 뿐만 아니라 인지적 차원의 업그레이드이기도 했습니다. 양자 역학이 고전 물리학을 뒤집은 것처럼, AI는 재료 과학을 위한 여러 현실의 "슈뢰딩거 도구 상자"를 열고 있습니다.
주목할 점은 진짜 혁명은 기계가 인간을 대체하는 것이 아니라, AI가 비국소적 파동 함수를 사용하여 화학 결합을 재정의하기 시작할 때 인간이 마침내 물질 세계를 관찰할 두 번째 눈을 얻게 된다는 것입니다. 이러한 "기계적 눈"의 감시 하에 무기 물질의 합성은 경험적 기술에서 고전 화학과 양자 우주를 연결하는 인지적 다리로 변모하고 있습니다.