미국 MIT 연구진이 X-선 결정학 데이터를 분석하여 결정질 물질의 구조를 예측할 수 있는 새로운 생성형 AI 모델을 개발했습니다(2024.9). 이 모델은 배터리, 자석 등의 다양한 분야에서 활용될 수 있는 신소재 개발에 큰 기여를 할 것으로 기대됩니다.
1. X-선 결정학과 그 한계
X-선 결정학은 지난 100여 년간 금속, 암석, 세라믹 등 다양한 결정질 물질의 구조를 밝히는 데 사용되었습니다. 이 방법은 결정이 완전히 보존된 상태에서 효과적으로 작동하지만, 종종 결정의 파편들만 남아 있는 경우도 많습니다. 특히, 분말 결정의 경우 전체 구조를 재구성하기가 매우 어렵습니다.
2. 새로운 생성형 AI 모델 ‘Crystalyze’의 등장
MIT 화학자들과 스탠포드 대학 연구진이 협력하여 개발한 생성형 AI 모델, ‘Crystalyze’는 이러한 문제를 해결하고자 만들어졌습니다. 이 모델은 분말 상태의 결정들로부터 원래의 결정 구조를 예측할 수 있어, 다양한 과학적 응용 분야에서 활용될 가능성이 큽니다.
‘Crystalyse’의 개념도
3. Crystalyze의 작동 원리
Crystalyze는 Materials Project 데이터베이스에 있는 15만 개 이상의 물질 데이터를 학습하여 X-선 회절 패턴을 예측합니다. 이러한 패턴을 바탕으로, Crystalyze는 결정 격자의 크기와 형태를 예측하고, 격자 내 원자의 배열을 예측합니다. 생성된 구조는 X-선 회절 패턴과 비교하여 정확성을 판단할 수 있습니다.
4. 미해결 구조의 해결
연구진은 이미 해결된 패턴뿐 아니라, 미해결 패턴에 대해서도 Crystalyze를 테스트했습니다. 100개 이상의 미해결 패턴을 Crystalyze로 분석한 결과, 100개 이상의 새로운 결정 구조를 찾아냈으며, 특히 3가지 물질은 Freedman 교수의 연구실에서 개발된 새로운 구조로 밝혀졌습니다. 이는 특히 영구 자석 개발에 유용할 수 있는 비스무트 기반 신소재입니다.
복잡한 분말 결정 구조 분석 가능: Crystalyze의 가장 큰 장점은 X-선 결정학 데이터로부터 분말 상태의 결정질 물질의 구조를 예측할 수 있다는 점입니다. 기존 기술로는 파편 상태의 결정에서 전체 구조를 밝히는 것이 매우 어려웠지만, Crystalyze는 이를 해결하여 새로운 재료 연구에 혁신을 가져왔습니다.
고속 예측: 머신러닝 모델의 특징인 신속한 데이터 처리 능력 덕분에 수천 개의 X-선 회절 패턴을 빠르게 분석하고 구조를 예측할 수 있습니다. 이는 실험적 방법으로는 오래 걸릴 수 있는 분석을 크게 단축시켜 연구 효율을 높입니다.
신소재 발견 가능성: Freedman 교수 연구실에서 발견한 새로운 물질과 같이, Crystalyze는 아직 밝혀지지 않은 신소재의 구조를 예측할 수 있어 재료 과학 분야에서 새로운 돌파구를 제공합니다. 특히 영구 자석이나 초전도체와 같은 첨단 기술 응용 분야에서 중요한 역할을 할 수 있습니다.
웹 인터페이스 제공: Crystalyze는 연구자들이 손쉽게 접근하고 사용할 수 있도록 웹 인터페이스를 제공합니다. 이로 인해 많은 과학자들이 자신의 데이터를 손쉽게 분석할 수 있으며, 재료 연구의 발전 속도를 가속화할 수 있습니다.
5. 신소재 개발 가속화
Crystalyze의 궁극적인 목표 중 하나는 신소재 개발을 가속화하는 것입니다. 모델이 분말 결정 구조를 예측하는 능력이 향상되면, 다양한 산업에서 새로운 물질을 개발하는 데 중요한 역할을 할 수 있습니다. 예를 들어, 배터리 소재, 자석, 촉매, 반도체 등 첨단 기술에 필요한 새로운 물질을 개발하는 데 기여할 것입니다.
특히, Crystalyze는 기존에 잘 알려지지 않은 물질의 결정 구조를 빠르게 예측하고 분석할 수 있기 때문에, 신소재의 물리적 및 화학적 특성을 미리 예측하여 실험 과정에서 발생할 수 있는 시간과 자원을 절약할 수 있습니다. 이는 연구비용 절감과 연구 속도 증가를 동시에 달성할 수 있는 장점이 있습니다.
6. 자동화된 연구 파이프라인과 통합
Crystalyze는 AI와 자동화된 연구 프로세스와 통합되어 향후 더욱 강력한 연구 파이프라인을 형성할 수 있습니다. 예를 들어, Crystalyze가 예측한 구조는 자동으로 실험적 장비와 연동되어 실험 데이터를 생성하고, 그 결과가 다시 AI 모델에 학습 데이터로 피드백되는 시스템을 구축할 수 있습니다. 이러한 방식으로 연구 과정이 더욱 자동화되고 효율적이게 될 것입니다.
또한, 다른 AI 모델과의 연계도 가능할 것입니다. 예를 들어, 물질의 열적, 전기적 특성 등을 예측하는 다른 AI 모델과 Crystalyze가 협력하여 종합적인 물질 특성 예측이 이루어질 수 있습니다.
7. 향후 산업 응용 확대
Crystalyze의 향후 전망 중 하나는 산업 응용으로의 확장입니다. 현재는 주로 학계와 연구소에서 사용되고 있지만, 재료 과학이 중요한 배터리, 반도체, 전자제품, 에너지 산업 등에서도 Crystalyze의 활용이 기대됩니다. 기업들은 이 모델을 사용하여 신속하게 새로운 물질의 구조를 예측하고, 실험 비용을 절감하며, 제품 개발 시간을 단축할 수 있습니다.
특히 전기차용 고성능 배터리, 재생에너지를 활용한 전력 저장 장치 등에서 Crystalyze를 통해 개발된 신소재는 미래의 에너지 문제 해결에 중요한 역할을 할 수 있습니다.
이번 연구(예: Crystalyze 연구)와 노벨 화학상 후보인 딥마인드 CEO 데미스 허사비스의 연구 노력은 직접적인 관련은 없지만, 두 연구는 모두 AI의 혁신적 사용이라는 공통점을 가지고 있습니다.
데미스 허사비스는 딥마인드에서 AlphaFold를 개발하여 단백질의 3D 구조를 예측하는 문제를 해결했습니다. AlphaFold는 생명과학 및 화학 연구에서 중요한 돌파구를 마련했으며, 특히 단백질 구조 예측에서 이전의 한계를 뛰어넘었습니다. 이는 신약 개발 및 생명과학 연구에서 매우 중요한 역할을 했고, 그 덕분에 허사비스는 2024년 노벨 화학상 후보로 거론되고 있습니다
반면, Crystalyze는 결정질 물질의 구조를 예측하는 AI 모델로, 재료 과학 및 화학에서 중요한 역할을 하고 있습니다. AlphaFold가 단백질 구조를 예측하여 생명과학에 기여한 것처럼, Crystalyze는무기물 및 분말 결정체의 구조를 예측하여 재료 과학 및 화학 연구를 가속화할 수 있습니다. 두 연구 모두 AI 기술을 활용해 과학적 문제를 해결하는 데 기여하지만, AlphaFold는 생체 분자에 중점을 두고, Crystalyze는 무기 결정에 더 집중하고 있습니다.
<이하 광고>
