건초 더미에서 바늘을 찾는 것은 본질적으로 불가능한 작업입니다.하지만 새로운 도구를 통해 이를 쉽게 달성할 수 있다면 어떨까요?손으로 모든 것을 검색하는 대신 작은 건초 더미를 나누고 자석을 사용할 수 있다고 상상해 보십시오.

인공지능(AI)은 과학적 솔루션을 끌어당기는 자석 역할을 하여 수많은 가능성에서 중요한 정보를 끌어낼 수 있습니다.

하지만 AI는 할 수 있는 일이 너무 많습니다.건초더미가 너무 크면 아무리 강력한 시스템이라도 방해를 받을 수 있습니다.AI를 효과적으로 사용하려면 해당 프로세스에 도메인 과학 전문 지식을 지능적으로 포함시켜야 합니다.과학자 팀은 AI, 높은 처리량의 실험 및 재료 과학 지식을 결합하여 발견 프로세스의 속도를 높였습니다.

조합이 작동했습니다.PNNL(Pacific Northwest National Laboratory)과 아르곤 국립연구소(Argonne National Laboratory)의 연구원들이 이끄는 연구팀은 에너지 효율적인 산화환원 흐름 배터리의 일부로 제안된 화합물을 3배 더 많이 용해할 수 있는 용매 조합을 확인했습니다.

그들은 가능한 조합의 10% 미만으로 검색 범위를 빠르게 좁혀 성공했습니다.연구 결과는 다음과 같습니다출판됨~에네이처커뮤니케이션즈.

팀에는 상호보완적인 배경을 가진 전문가들이 포함되었으며, 모두 처리량이 높은 실험을 지능적으로 수행할 수 있는 플랫폼을 만드는 데 중점을 두었습니다.그들은 산화 환원 기반 플로우 배터리를 위한 최적의 전해질 시스템을 설계하기 위해 다양한 유기 용매 혼합물을 탐색했습니다.

PNNL 재료 과학자이자 해당 논문의 공동 교신 저자인 Vijay Murugesan은 "종종 사람들은 수행할 수 있는 실험 수를 극적으로 늘려 발견 속도를 높이는 방법으로 자동화 시스템을 고려합니다."라고 말했습니다."우리는 과학용 AI를 사용하여 효율성을 높이고 발견 속도를 높이고 싶었습니다."

플랫폼은 특히 에너지 저장을 위한 전해질 혼합물을 대상으로 하지만 일반적인 프로세스는 다른 시스템에 적용될 수 있습니다.이는 제한된 시스템 내에서 다양한 잠재적 솔루션이 있는 문제에 가장 유용할 수 있다고 연구진은 말했습니다.

인공지능을 위한 대용량 데이터

처리량이 많은 실험팀은 실험을 독립적으로 실행하는 대신 데이터를 수집하여 AI팀 알고리즘의 공백을 메웠습니다.AI 모델에 필요한 데이터 유형을 실험실 시스템에서 사용할 수 없는 경우가 많습니다.그런 다음 알고리즘은 계산 결과에 대해 훈련되어야 하며, 이는 추가적인 편향으로 이어질 수 있습니다.

실험적 측면에서 최적화된 용매 혼합물을 결정하는 것은 엄청난 문제입니다.공동 교신저자이자 PNNL의 고처리량 실험 전문가인 Yangang Liang은 "우리는 2,000가지의 가능한 조합을 식별했습니다."라고 말했습니다.

"이는 우리의 로봇 시스템으로도 테스트하기에는 비현실적인 조합 수입니다. 로봇이 더 빠르게 실험을 수행할 수 있지만 여전히 화학 물질과 에너지가 필요합니다."

AI 없이 가장 유망한 옵션을 식별하려면 여전히 수백 번의 실험이 필요했을 것입니다.검색 범위를 좁히기 위해 팀은 AI 모델 훈련 세트에서 알려진 공백을 기반으로 초기 데이터 수집을 목표로 삼았습니다.

고품질 먹이주기실험 데이터모델에 추가된 결과는 더 잘 훈련된 시스템으로 이어졌고, 결과적으로 다음 실험 라운드에 대해 더 나은 예측을 제공했습니다.

Murugesan은 "우리의 접근 방식은 믿을 수 없을 정도로 효율적입니다."라고 말했습니다."우리는 AI 교육을 개선하기 위해 높은 처리량의 속도와 인간의 직관을 활용하고 있습니다."

협업 데이터의 힘

이 협력의 산물은 두 가지입니다. 첫 번째는 작업의 과학적 목표인 용매 혼합물을 식별하는 것입니다.두 번째는 실험 데이터에서 충실도가 높은 데이터세트를 만드는 것입니다.연구팀은 다른 사람들이 유기 산화환원 흐름 배터리용 용매 혼합물을 탐색하는 것 이상의 향후 작업에 데이터를 활용할 수 있기를 바라고 있습니다.

Murugesan은 "우리는 더 나은 예측 모델을 구축하는 데 도움이 될 수 있는 충실도가 높은 데이터를 생성하려는 접근 방식을 의도적으로 취했습니다."라고 말했습니다."우리 프로세스는 우리 팀의 광범위한 전문 지식을 바탕으로 정보를 얻었으며 이는 센터 규모 작업에 대한 에너지부의 투자로 가능해졌습니다. 센터는 여러 분야가 함께 모이는 이러한 유형의 야심찬 아이디어를 전문으로 합니다."

이 프로젝트는 2018년부터 2023년까지 6개 국립 연구소와 10개 대학이 함께한 에너지 저장 연구 노력을 통해 지원되었습니다.

"이 작품은 실제로 JCESR의 창립 이사인 George Crabtree에게서 영감을 받았습니다."라고 Murugesan은 말했습니다."우리는 전해질 발견을 위해 PNNL의 높은 처리량 기능을 사용하겠다는 아이디어를 가지고 그에게 갔지만 그는 우리에게 더 크게 생각하고 AI 팀과 협력하도록 요구했습니다.

"그의 영감을 통해 우리는 AI 모델과 로봇 플랫폼을 통합함으로써 함께 영향력 있는 결과를 더 빠르게 생성할 수 있다는 것을 배웠습니다."

자율주행 연구실을 향한 발걸음

팀이 생성한 재료 정보 데이터는 자율 실험실 공간에서 실험 루프를 구동하는 효과적인 AI 시스템을 만드는 데 필요한 유형입니다.AI 작업을 주도한 공동 교신저자인 Hieu Doan은 "나는 이러한 유형의 워크플로우가 재료 발견의 새로운 패러다임의 핵심이라고 생각합니다."라고 말했습니다.

논문의 공동저자이자 물리 및 전산과학국 프로그램 개발 사무소 소장인 칼 뮬러(Karl Mueller)는 “AI 연구자와 재료 과학자 간의 협력의 미래를 보게 되어 매우 기쁩니다.”라고 덧붙였습니다."에너지 저장 문제를 해결하려면 재료 발견을 가속화하는 것이 중요합니다."

Liang, Murugesan, Mueller 외에도 Juran Noh와 Heather Job이 PNNL의 프로젝트에 기여했습니다.Argonne 팀에는 Doan, Lily Robertson, Lu Zhang 및 Rajeev Assary가 포함되었습니다.이 작업에 참여한 많은 공동 작업자는 새로 출범한 에너지 저장 연구 연합(Energy Storage Research Alliance) 에너지 혁신 허브(Energy Innovation Hub)의 일부입니다.