Command Palette
Search for a command to run...
Reac-Discovery는 수학적 모델링, 머신 러닝, 자동화된 실험을 통합하여 자율 주행 실험실 시스템의 다양성 문제를 해결합니다.
과거 3D 프린팅 기술은 반응기 공학에서 규칙적인 기공을 가진 "주기적인 개방 기공 구조(POC)"를 정밀하게 제작하는 데 사용되었습니다. "격자형" 반응기로 알려진 이러한 구조는 기체, 액체, 열의 원활한 흐름을 가능하게 하여 반응 효율을 향상시킬 수 있었습니다. 인공지능(AI)의 도입으로 실험실의 자가 조절 능력이 더욱 향상되었습니다. 자동화된 플랫폼은 온도, 유량, 반응 진행 상황을 실시간으로 모니터링하고 이 데이터를 기반으로 실험 계획을 자율적으로 최적화할 수 있습니다.자율 주행 실험실(SDL)이라 불리는 이 시스템은 원자로 설계에 전례 없는 정밀성과 속도를 가져다줍니다.
그러나 디지털화와 자동화된 실험의 결합으로 이루어진 획기적인 발전에도 불구하고, 기존 연구는 여전히 기공률, 표면적, 굴곡도와 같은 기하학적 매개변수에 대한 통합된 모델을 제시하지 못하고 있습니다. 전산유체역학(CFD) 시뮬레이션과 같은 기존 방법은 낮은 효율과 높은 계산 비용과 같은 한계를 가지고 있을 뿐만 아니라, 구조형 원자로 설계는 종종 수작업 경험과 전용 소프트웨어에 의존합니다.보편적으로 적용할 수 있는 프레임워크가 부족하여 다양한 시스템 간의 재사용성과 보편성이 제한됩니다.
기존 방법의 한계에 대응하여 스페인 IMDEA 재료 연구소의 연구팀은 반자율 디지털 플랫폼인 Reac-Discovery를 출시했습니다.주기적인 개방형 기공 구조를 기반으로 설계, 제조, 최적화 모듈이 통합된 폐쇄 루프 시스템을 채택하여 다중 반응기 평가를 병렬로 수행할 수 있으며 실시간 핵자기공명(NMR) 모니터링, 공정 매개변수 및 위상 기술자의 머신러닝(ML) 최적화 기능을 갖추고 있습니다.성능이 향상되고, 반응 효율성이 높아지고, 재료 소비가 줄어드는 동시에 시스템의 다용성이 향상됩니다.
관련 연구 결과는 "Reac-Discovery: 연속 흐름 촉매 반응기 발견 및 최적화를 위한 인공지능 기반 플랫폼"이라는 제목으로 Nature Communications에 게재되었습니다.
연구 하이라이트:
* 기하학적 설계와 3D 인쇄부터 실험 최적화까지 촉매 반응기 전체 프로세스를 통합하기 위해 수학적 모델링, 머신 러닝, 자동화된 실험 시스템을 통합합니다.
* 최적화 공간에 위상 매개변수를 통합하면 온도와 유량과 같은 단일 변수를 제어하는 기존 방법의 한계를 극복하고 기하학적 구조와 프로세스 조건을 동시에 최적화할 수 있습니다.
* 신경망 기반 성능 예측 모델을 구축하고, 머신 러닝 기반 알고리즘 시스템을 개발하고, 성능 모델을 사용하여 원자로 성능의 신속한 평가 및 반복을 달성함으로써 실험 효율성과 자원 활용도를 크게 개선합니다.
서류 주소:
공식 계정을 팔로우하고 "Periodic Drilling"에 답글을 남겨 전체 PDF를 받으세요.
더 많은 AI 프런티어 논문:
폐쇄 루프 최적화를 지원하기 위해 데이터 세트를 자율적으로 생성합니다.
본 연구에서는 공개적으로 이용 가능한 데이터 세트를 활용하지 않았습니다. 연구팀은 Reac-Discovery 플랫폼을 활용하여 실험 중 기하 구조, 인쇄성, 반응 성능을 포괄하는 다차원 내부 데이터 세트를 독립적으로 생성했습니다. 플랫폼의 세 가지 기능 모듈인 Reac-Gen, Reac-Fab, Reac-Eval을 기반으로 본 연구에서 생성된 데이터 세트는 세 부분으로 나뉩니다.
* 구조 매개변수화 데이터 세트: Reac-Gen은 수학적 매개변수화 모델을 사용하여 주기적인 개방 셀 구조(POC)를 생성합니다. 출력은 크기, 임계값, 해상도와 같은 매개변수에 의해 제어되며, 위상 최적화를 위한 정량적 입력을 제공합니다.
* 인쇄 가능성 데이터 세트: 구조적 매개변수와 인쇄 결과 간의 대응 관계를 확립한 후 Reac-Fab에서 생성됨
* 반응 성능 데이터 세트: Reac-Eval은 자율 주행 연구실(SDL)에서 병렬 실험 중에 온도, 유량, 농도 및 수율 데이터를 실시간으로 기록하여 생성됩니다.
현재 구조 생성부터 성능 검증까지 폐쇄 루프 프레임워크에서 생성된 데이터는 Zenodo에 업로드되었습니다.
데이터 세트 링크:
https://hyper.ai/datasets/45520
Reac-Discovery: 통합 프로세스 폐쇄 루프를 달성하기 위한 3개 모듈 통합
Reac-Discovery의 전반적인 아키텍처는 머신 러닝(ML)을 중심으로 하며, 데이터 피드백을 기반으로 "생성-제조-평가-최적화"의 통합 프로세스 폐쇄 루프를 형성합니다.폐쇄 루프 플랫폼은 주로 Reac-Gen, Reac-Fab, Reac-Discovery의 세 가지 모듈로 나뉩니다. 각 모듈의 기능은 작동 중에 서로 연결됩니다.
* Reac-Gen: 머신 러닝(ML)을 통해 피드백을 제공하는 주기적 개방 셀(POC) 구조의 매개변수 생성 및 기하학적 분석
* Reac-Fab: 고해상도 3D 프린팅 알고리즘을 사용하여 반응기의 인쇄 가능성과 제작 가능성을 검증한 후 촉매 기능화를 실시합니다.
* 반응 평가(Reac-Eval): 머신 러닝과 실시간 핵자기공명(NMR) 모니터링 데이터 분석을 활용하여 인공신경망(ANN)을 사용하여 공정과 기하 구조를 동시에 최적화합니다. 실험 결과는 핵심 머신 러닝 모델에 피드백되어 원자로의 자가 학습 및 자가 반복 사이클을 구동합니다.
Reac-Gen: 기하학적 모델링 및 매개변수 설계
Reac-Gen 모듈은 Reac-Discovery 시스템의 시작점 모듈로, 원자로 기하학적 설계와 매개변수 모델링을 담당합니다.이 모듈은 Gyroid, Schwarz, Schoen-G 등을 포함한 미리 정의된 수학 방정식 세트를 기반으로 주기적인 개방 기공 구조를 생성하고, 세 가지 주요 매개변수인 크기(S), 수평 임계값(L), 해상도(R)를 조정하여 "매크로 + 마이크로" 규모에서 다양한 기하학적 위상을 생성합니다.세 가지 모듈 중 Reac-Gen은 주로 디지털 모델링과 구조 정량화를 담당합니다. Reac-Gen의 워크플로는 다음과 같은 주요 단계로 나뉩니다.
먼저, 구조물의 주요 기하학적 매개변수를 입력합니다. 시스템은 미리 정의된 수학 방정식을 기반으로 3차원 스칼라장에서 모델을 구축하고, 등가곡면 계산을 통해 암묵적 곡면을 생성하여 원자로의 전체 형상과 내부 위상을 결정합니다.
* 방정식을 3차원 공간에 투영하고, 알고리즘적으로 메시 생성, 크기 조정, 그리고 원통형 자르기를 수행하여 반응기 형상에 맞게 구조를 조정함으로써, 높은 정확도의 3차원 구조를 생성합니다. 동시에, 경계 평활도와 기공 연속성이 자동으로 보정되어 프린팅 및 유체 시뮬레이션 모두에서 구조가 적절한 물리적 연결성과 안정성을 유지하도록 합니다.
다음 모듈인 Reac-Fab에 입력할 제조 및 데이터 분석 파일을 생성하여 후속 인쇄 가능성 예측, 3D 제조 및 성능 데이터 분석을 위한 핵심 입력을 제공합니다.
데이터 출력 단계에서 Reac-Gen이 출력한 데이터 파일은 두 가지 범주로 나뉩니다.
* STL 파일: 3D 인쇄용
* 구조적 특징 파일(XLSX): 표면적, 다공성, 굴곡도, 수력 직경 등과 같은 기하학적 설명자를 기록합니다.
Reac-Fab: 타당성 검증부터 샘플 인쇄까지
Reac-Fab 모듈은 주로 원자로의 물리적 제조를 담당합니다.고해상도 광조형(SLA) 3D 프린팅 기술은 구조물 제작에 사용됩니다. 이 모듈의 워크플로는 두 단계로 나뉩니다.
* Reac-Gen에서 출력된 STL 및 구조 데이터를 수신하고, 머신 러닝 모델을 사용하여 구조 인쇄 가능성을 예측하고, 인쇄 설정 및 장비 교정을 수행합니다.
* 이 구조는 고해상도 SLA 기술을 사용하여 인쇄됩니다. 최적화된 재료 조성과 매개변수를 사용하여 인쇄된 샘플은 표면 화학적 개질 및 촉매 활성 성분의 고정화와 같은 기능화 처리를 거쳐 최종 샘플을 얻습니다.
이 모듈은 인쇄 가능성 검증을 위해 신경망 분류 모델 기반 알고리즘을 사용합니다. 이 알고리즘은 236개의 실험 샘플을 훈련 데이터로 사용합니다. 이 모델은 주요 기하학적 설명자의 이론적 가중치와 실험 가중치를 비교하여 구조의 인쇄 가능 여부를 판단합니다.실험 데이터는 이 방법이 91%의 예측 정확도를 달성하여 제조 효율성을 효과적으로 향상시키고 실험 비용을 절감함을 보여줍니다. 또한, 이 모듈은 광범위한 사전 실험 없이도 실행 가능하여 PLA를 사용한 FDM 프린팅과 같은 다양한 프린팅 시스템에서 알고리즘의 적용 가능성과 확장성을 향상시킵니다.
Reac-Eval: 실험적 검증 및 이중 최적화
Reac-Eval은 Reac-Discovery 플랫폼의 실험 검증 및 최적화를 위한 핵심 모듈입니다. 이 모듈은 Reac-Gen에서 설계하고 Reac-Fab에서 인쇄한 여러 구조의 촉매 반응기를 동시에 평가할 수 있는 기능을 통합합니다.실시간으로 다상 반응을 모니터링하고 자동으로 제어할 수 있습니다.모든 하드웨어는 통합된 Python 기반 인터페이스를 통해 통합되어 실험 데이터, 예측 모델 및 제어 시스템 간의 원활한 통합을 보장합니다. Reac-Eval 워크플로는 다음 5단계로 구성됩니다.
* 기체-액체 유량, 온도, 농도, 위상 설명자 범위와 같은 경계 조건을 정의하고, 무작위 실험 조합 적용 매개변수를 생성하고, 실험 초기화 및 조건 설정을 완료합니다.
* 자체 추진 플랫폼에서 여러 구조화된 반응기를 병렬로 작동시키고, 벤치탑 NMR을 사용하여 실시간으로 반응 진행 상황을 모니터링하고, 성능 데이터를 수집합니다.
* 머신러닝과 신경망 모델 M1을 기반으로 프로세스 변수와 프로세스 매개변수를 최적화하였으며, 초기 데이터 세트를 기반으로 반복적인 학습을 통해 기대하는 최적화 결과를 달성하지 못했습니다.
* 신경망 모델 M2를 기반으로 반응기의 기하학적 매개변수를 최적화합니다.
* M2의 예측 결과를 바탕으로 최적화된 원자로 설계를 생성하고, 2차 실험 검증을 실시하며, 기대에 미치지 못하는 데이터는 추가 학습을 위해 모델에 반환합니다.
일반적으로 Reac-Eval 모듈은 프로세스 매개변수와 기하학적 토폴로지의 이중 최적화를 달성하는 동시에 자율 주행 플랫폼을 기반으로 실험, 모델링 및 피드백의 자동화된 사이클을 구축합니다.
Reac-Discovery 응용 효과 이중 검증
다중 스케일 결합 및 머신 러닝 기반 최적화에서 Reac-Discovery의 실질적인 효과를 입증하기 위해 연구팀은 아세토페논 수소화 반응과 CO₂ 고리화 첨가 반응이라는 두 가지 전형적인 불균일 촉매 반응을 선택했습니다. 3상 기체-액체-고체 변환을 포함하는 아세토페논의 약한 수소화 반응과 CO₂ 고리화 첨가 반응의 매우 복잡한 열역학은 자가 최적화 및 위상 재구성에서 시스템의 견고성, 안정성 및 반복성을 검증하는 기반을 제공합니다.
아세토페논 수소화 반응 검증
아세토페논 수소화 반응 검증 실험에서 연구팀은 아세토페논 수소화 반응을 시험 대상으로 선택했습니다.고정화된 팔라듐 나노입자(PdNP)를 촉매로 사용하여 복잡한 이종 촉매 반응에서 Reac-Discovery의 최적화 능력을 2단계 최적화 접근법을 통해 평가했습니다.
첫 번째 최적화 단계(G1): Reac-Gen을 사용하여 9개의 자이로이드 기하구조를 생성하여 기공률과 표면적이 현저히 다른 반응기를 제작했습니다. Reac-Eval 모듈은 60회의 수소화 실험을 수행하여 핵자기공명(NMR)을 이용하여 반응을 실시간으로 모니터링하고 M1 상관관계 모델 학습을 위한 데이터를 수집했습니다.
* 2차 최적화 단계(G2): M2 모델을 기반으로 구조적 기술자가 학습 프로세스에 통합되어 구조와 성능의 공동 최적화를 달성합니다.
실험 데이터는 M1 모델의 예측과 실험 결과 간의 높은 일관성을 보여주며, 백만 개 이상의 매개변수 조합에서 최적의 공정 범위를 파악하여 실험 탐사 비용을 크게 절감할 수 있었습니다. 또한, G2 단계에서는 M2 모델의 예측 정확도가 더욱 향상되어 480개의 인쇄 가능한 POC 구조를 선별하고 비교하여 최적의 기하 구조를 파악할 수 있었습니다. 이는 다변수 최적화 및 구조 함수 예측에서 Reac-Discovery 플랫폼의 높은 정확도와 견고성을 보여줍니다.
CO₂ 고리화 첨가 반응
연구팀은 복잡한 다상 시스템에서 플랫폼의 적응성을 더욱 검증하기 위해 CO₂ 고리화 반응을 이용한 검증 실험을 수행했습니다.
* 1단계(G1): Reac-Eval 모듈을 기반으로, 자체 구동 실험 플랫폼을 통해 60세트의 실험 조건이 완료되었습니다. 초기 데이터 세트는 실시간 핵자기공명(NMR) 모니터링을 통해 생성되었습니다. 신경망 모델 M1을 사용하여 수율을 예측하고 이론적으로 최적의 조건을 선별했습니다.
* 1단계(G2): 모델 M2를 기반으로 기하학적 설명자와 공정 매개변수를 통합하고, 반응기 토폴로지와 반응 조건을 최적화하고, 인쇄 가능한 POC 구조를 비교하여 기하학적 최적 솔루션을 결정합니다.
실험 결과는 실험을 통해 선별된 이론적 최적 조건이 예측된 값과 완전히 일치하며, 현재 3상 고정화 반응기의 성능 상한을 새롭게 제시함을 보여줍니다.Reac-Discovery 반응기는 4가지 다른 에폭시드 시스템에서 40%를 90%로 전환하는 높은 전환율을 지속적으로 유지하여 Reac-Discovery의 시스템 간 일반화 및 안정성을 검증했습니다.
AI 통합: 자율 주행 실험실이 화학 연구의 새로운 패러다임이 되다
유동 화학 및 반응기 공학에 인공지능이 빠르게 통합됨에 따라 자율 주행 실험실은 화학 연구의 새로운 패러다임으로 자리 잡고 있습니다. 2025년 7월, 노스캐롤라이나 주립대학교 연구팀은 "머신러닝을 활용한 유동 반응기 설계 발견"이라는 제목의 논문을 발표했습니다.전통적인 화학 실험이 수동 시행착오에 의존하고 비효율적이며 반복성이 부족하다는 문제를 해결하기 위해 자율 주행 실험실을 기반으로 한 새로운 흐름 화학 프레임워크가 제안되었습니다.이 프레임워크는 자동화된 실험 플랫폼과 실시간 데이터 분석, 인공 지능 의사 결정을 결합하여 반응 설계, 실행 및 최적화의 통합된 폐쇄 루프를 실현하고, 반응 프로세스의 정확성, 효율성 및 확장성을 크게 향상시킵니다.
서류 주소:
https://doi.org/10.1038/s44286-024-00099-1
토론토 대학교 화학과의 연구팀은 자율주행 실험실을 화학 연구의 새로운 패러다임으로 활용하고 있습니다.자동화된 실험 하드웨어, 실시간 데이터 분석, AI 계획 및 의사 결정을 통합하여 실험 설계, 실행, 분석 및 최적화의 폐쇄 루프를 구현합니다.본 연구는 고밀도 데이터를 생성하기 위해 고주파 자동화 실험 플랫폼을 활용합니다. 베이지안 최적화 및 강화 학습과 같은 AI 알고리즘을 통합하여 실험 절차의 자율 설계 및 반복적 개선을 가능하게 하여 탐색 효율성과 확장성을 크게 향상시킵니다. 본 연구 결과는 ACS Publications에 "화학 및 재료 과학을 위한 자율 주행 실험실(Self-Driving Laboratories for Chemistry and Materials Science)"이라는 제목으로 게재되었습니다.
서류 주소:
https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055
2025년 7월, 영국 왕립학회는 오픈 사이언스(Open Science)에 자율주행 실험실의 핵심은 하드웨어 자동화, 알고리즘 최적화, 그리고 자가 학습 피드백이라고 주장하는 논문을 게재했습니다. 이러한 실험실은 인간의 개입 없이 실험을 실행하고 반복적으로 개선할 수 있으며, 실험 설계부터 결과 검증까지 폐쇄 루프(closed loop)를 구축하여 화학 및 재료 과학 분야의 연구 개발 과정을 가속화합니다. "자율주행 실험실은 일부 과학 연구직을 대체할 수도 있지만, 동시에 많은 새로운 기회를 창출할 수도 있습니다." 현재 자율주행 실험실은 높은 시스템 비용, 불충분한 데이터 표준화, 제한된 모델 일반화 기능, 그리고 안전 및 윤리적 위험과 같은 과제에 직면해 있습니다. 그러나 알고리즘과 하드웨어의 통합이 지속적으로 발전함에 따라, 자율주행 실험실은 미래의 과학 연구 시스템을 혁신하여 더욱 효율적이고 반복 가능하며 지능적인 과학 탐구 모델을 구축할 수 있을 것입니다.
참조 링크:
1.https://royalsocietypublishing.org/doi/10.1098/rsos.250646#d717644e1
2.https://www.nature.com/articles/s41467-025-64127-1
3.https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055
4.https://doi.org/10.1038/s44286-024-00099-1