신소재 영상화 머신러닝 활용한 미래 개척
신소재 영상화 머신러닝 활용한 미래 개척
  • 함예솔
  • 승인 2021.04.05 18:50
  • 조회수 400
  • 댓글 0
이 기사를 공유합니다

KAIST 신소재공학과 홍승범 교수 연구팀은 다중스케일 다중모드 영상화 기술과 머신러닝(기계학습) 기법을 융합해서 고차원의 구조-물성 및 공정-구조 상관관계를 도출했습니다. 그리고 이를 인공지능과 3차원 다중 스케일 프린팅 기술을 활용해서 신소재 디자인부터 시장 진입까지의 기간을 획기적으로 단축할 수 있는 비전과 실행 플랫폼을 제안했습니다. M3I3 플랫폼은 고용량 에너지 소재 디자인에서 시작해서, 고밀도 메모리 소재, 고성능 자동차/항공 소재에도 응용 가능할 것으로 기대됩니다. 이번 연구는 'ACS Nano'에 게재됐습니다. 

 

신소재 개발기간 단축될까

 

역사의 큰 흐름을 결정한 신소재는 시행착오와 도제식의 비결 전수를 통해서 발견 및 개발돼왔습니다. 각종 무기와 그릇, 그리고 장신구들이 좋은 예입니다. 광학현미경이 발명되면서 검의 미세구조와 검의 강도 혹은 경도 간의 상관관계를 이해하기 시작했고, 투과전자현미경과 원자간력 현미경의 발명으로 원자 수준의 분해능으로 신소재를 영상화하기 시작했습니다.

 

고려청자를 현재 재현하지 못하는 것은 고려 시대의 장인들이 그 비결을 남기지 않았기 때문이라고 우리는 가르치고 있습니다. 그러나, 미래에는 고려청자의 다중 스케일 구조를 영상화해서 데이터화 하고, 구조를 구현할 수 있는 공정 과정을 머신러닝의 힘을 빌려 역설계한다면, 고려청자를 재현하는 일은 가능할 것으로 보입니다.

데이터 마이닝과 머신러닝을 활용하여 수립한 모델을 토대로 배터리 NCM 양극소재의 조성, 입자 크기, 소결 온도 및 시간, 측정 온도, 충방전 속도의 함수로 표현한 삼각 그래프. 출처: KAIST
데이터 마이닝과 머신러닝을 활용하여 수립한 모델을 토대로 배터리 NCM 양극소재의 조성, 입자 크기, 소결 온도 및 시간, 측정 온도, 충방전 속도의 함수로 표현한 삼각 그래프. 출처: KAIST

KAIST M3I3 플랫폼은 이처럼 다중 스케일 및 다중 모드 영상화 기술, 데이터 마이닝과 머신러닝, 그리고 다중 스케일 제조 기술을 접목해 미래에 필요한 신소재를 역설계해서 빠르게 공정 레시피를 확보할 수 있게 만들어줍니다.

다중 스케일 신소재 영상화와 모델링을 기반으로 확보한 데이터를 활용하여 머신러닝으로 구조-물성 및 구조-공정 상관관계를 도출하고 인공지능 기반의 자동합성법으로 신소재를 합성하고 평가하는 알고리즘의 모식도. 출처: KAIST
다중 스케일 신소재 영상화와 모델링을 기반으로 확보한 데이터를 활용하여 머신러닝으로 구조-물성 및 구조-공정 상관관계를 도출하고 인공지능 기반의 자동합성법으로 신소재를 합성하고 평가하는 알고리즘의 모식도. 출처: KAIST

이번 논문에서는 M3I3 플랫폼의 유효성을 확인하기 위해 배터리 소재에 적용하는 연구를 진행했습니다. 고용량 배터리 소재의 개발 기간을 단축할 수 있다는 것을 검증하기 위해서 20년간의 논문 자료를 50여 명의 학생이 읽고 데이터를 추출해 양극재의 에너지 밀도와 소재 조성 간의 상관관계를 도출했습니다. 그리고 논문에 나와 있는 공정, 측정 및 구조 변수들을 머신러닝 기법을 활용해 모델을 수립한 후, 무작위 조건에서 합성해 모델의 정확도를 측정함으로써 데이터 마이닝과 머신러닝의 우수성을 입증했습니다.

 

또한 투과전자현미경(TEM), 주사투과전자현미경(STEM), 원자간력현미경(AFM), 광학현미경 등의 다양한 현미경과 엑스레이(X-ray), 라만(Raman), UV/Visible/IR 등 다양한 분광 장비들을 통해 얻은 영상과 스펙트럼 데이터를 기반으로 다중 스케일 구조↔물성 상관관계를 도출하고, 여러 가지 공정변수 데이터를 수집해, 공정↔구조 상관관계를 수립하는 것이 M3I3 플랫폼의 중요한 핵심입니다. 특히, 실험데이터와 시뮬레이션 데이터를 융합하고, 머신러닝으로 생성한 가상의 데이터를 과학적인 기준에 맞춰 유의미한 빅데이터로 만들면, 머신러닝을 활용해 물성→구조→공정으로 연결되는 역설계 알고리즘을 개발하는 것이 가능해지며, 이를 통해 미래에 필요한 물성을 갖는 신소재 공정 레시피를 신속하게 확보할 수 있게 됩니다.

이번 과제의 핵심 참여 교수진. (왼쪽부터) KAIST 조은애, 변혜령, 홍승범, 육종민 교수. 출처: KAIST
이번 과제의 핵심 참여 교수진. (왼쪽부터) KAIST 조은애, 변혜령, 홍승범, 육종민 교수. 출처: KAIST

제1 저자인 홍승범 교수는 "과학은 날카로운 관찰과 정량적 측정에서 시작한 학문이며, 기술의 발전으로 현재는 눈에 보이는 소재의 모양과 구조뿐만 아니라 눈에 보이지 않는 소재의 구조를 볼 수 있는 시대가 왔고, 물성마저 공간과 시간의 함수로 영상화할 수 있는 시대가 도래했다"라며 "신소재 영상화 기술과 머신러닝 기술을 융합하고 3D 프린팅 기술을 다중 스케일 자동 합성 기술로 승화시키게 되면 20년 걸리던 신소재 개발 기간을 5년 이내로 단축할 수 있을 것이다"이라고 말했습니다.


##참고자료##

 


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.

  • 충청남도 보령시 큰오랏3길
  • 법인명 : 이웃집과학자 주식회사
  • 제호 : 이웃집과학자
  • 청소년보호책임자 : 정병진
  • 등록번호 : 보령 바 00002
  • 등록일 : 2016-02-12
  • 발행일 : 2016-02-12
  • 발행인 : 김정환
  • 편집인 : 정병진
  • 이웃집과학자 모든 콘텐츠(영상,기사, 사진)는 저작권법의 보호를 받은바, 무단 전재와 복사, 배포 등을 금합니다.
  • Copyright © 2016-2021 이웃집과학자. All rights reserved. mail to contact@scientist.town
ND소프트