이 AI 기반 연구소는 스스로 운영되며 새로운 소재를 10배 더 빠르게 발견합니다.

최첨단 자율주행 연구실은 이제 실시간 실험을 통해 데이터를 지속적으로 수집하여 소재 탐색 속도를 10배 더 빠르고 효율적으로 개선합니다. 출처: 밀라드 아볼하사니, 노스캐롤라이나 주립대학교

연구진은 "자율 주행 실험실"이 기존 기술보다 최소 10배 더 많은 데이터를 기록적인 속도로 수집할 수 있는 새로운 기술을 시연했습니다. Nature Chemical Engineering 에 게재된 이 기술은 소재 발견 연구를 획기적으로 가속화하는 동시에 비용과 환경 영향을 최소화합니다.

자율 주행 실험실은 기계 학습과 자동화를 화학 및 재료 과학과 결합하여 재료를 더욱 빠르게 탐색하는 로봇 플랫폼입니다. 자동화된 프로세스를 통해 기계 학습 알고리즘은 각 실험의 데이터를 활용하여 시스템에 프로그래밍된 목표를 달성하기 위해 다음에 어떤 실험을 수행할지 예측할 수 있습니다.

"과학자들이 몇 년이 아닌 며칠 만에 청정 에너지, 새로운 전자 제품, 또는 지속 가능한 화학 물질을 위한 획기적인 소재를 발견할 수 있다고 상상해 보세요. 기존 소재의 극히 일부만을 사용하고 기존 소재보다 폐기물 발생량도 훨씬 적습니다."라고 이 연구 논문의 교신저자이자 노스캐롤라이나 주립대학교 화학 및 생체분자공학과 ALCOA 교수인 밀라드 아볼하사니는 말합니다. "이 연구는 그러한 미래에 한 걸음 더 다가가게 합니다."

지금까지 연속 흐름 반응기를 활용하는 자율주행 실험실은 정상 상태 흐름 실험에 의존해 왔습니다. 이러한 실험에서는 서로 다른 전구체들이 미세 채널 내에서 연속적으로 흐르면서 혼합되고 화학 반응이 일어납니다. 반응이 완료되면 일련의 센서가 결과물을 분석합니다.

"자율주행 연구실에 대한 이러한 확립된 접근 방식은 소재 개발에 큰 영향을 미쳤습니다."라고 아볼하사니는 말합니다. "이를 통해 특정 응용 분야에 적합한 유망한 소재 후보를 수년이 아닌 몇 달 또는 몇 주 만에 발굴할 수 있게 되었고, 동시에 작업 비용과 환경적 영향도 줄일 수 있었습니다. 하지만 여전히 개선의 여지가 있었습니다."

정상 상태 유동 실험은 자율주행 실험실이 최종 물질의 특성을 분석하기 전에 화학 반응이 일어날 때까지 기다려야 합니다. 즉, 반응이 진행되는 동안 시스템은 유휴 상태로 유지되며, 실험당 최대 1시간이 소요될 수 있습니다.

"이제 동적 흐름 실험을 활용하는 자율 주행 실험실을 구축했습니다. 이 실험실에서는 화학 혼합물이 시스템 내에서 지속적으로 변화하고 실시간으로 모니터링됩니다."라고 아볼하사니는 말합니다. "즉, 시스템을 통해 개별 샘플을 실행하고 정상 상태에 도달한 후 하나씩 테스트하는 대신, 사실상 중단 없이 작동하는 시스템을 구축했습니다. 샘플은 시스템 내에서 끊임없이 움직이며, 시스템이 샘플의 특성을 분석하는 것을 멈추지 않기 때문에 0.5초마다 샘플에서 발생하는 상황에 대한 데이터를 수집할 수 있습니다.

예를 들어, 10초의 반응 시간 후 실험 결과에 대한 데이터 포인트를 하나만 갖는 대신, 0.5초의 반응 시간 후 하나, 1초의 반응 시간 후 하나 등 총 20개의 데이터 포인트를 갖습니다. 마치 단일 스냅샷에서 반응이 진행되는 동안의 전체 영상을 보는 것과 같습니다. 각 실험이 완료될 때까지 기다리는 대신, 저희 시스템은 항상 작동하며 학습합니다.

이렇게 많은 양의 추가 데이터를 수집하는 것은 자율주행 연구실의 성과에 큰 영향을 미칩니다.

"자율주행 연구실에서 가장 중요한 부분은 시스템이 다음에 어떤 실험을 수행해야 할지 예측하는 데 사용하는 머신러닝 알고리즘입니다."라고 아볼하사니는 말합니다. "이 스트리밍 데이터 접근 방식을 통해 자율주행 연구실의 머신러닝 두뇌는 더욱 스마트하고 빠른 결정을 내리고, 훨씬 짧은 시간 안에 최적의 재료와 공정을 찾아낼 수 있습니다. 알고리즘이 더 많은 고품질 실험 데이터를 수신할수록 예측 정확도가 높아지고 문제 해결 속도도 빨라지기 때문입니다. 또한, 해결책을 도출하는 데 필요한 화학 물질의 양을 줄이는 이점도 있습니다."

이 연구에서 연구진은 동적 흐름 시스템을 통합한 자율 주행 연구실이 동일 기간 동안 정상 상태 흐름 실험을 사용한 자율 주행 연구실보다 최소 10배 더 많은 데이터를 생성했으며, 훈련 후 첫 번째 시도에서 가장 적합한 재료 후보를 식별할 수 있었다는 것을 발견했습니다.

"이 획기적인 발전은 단순히 속도에만 국한되지 않습니다."라고 아볼하사니는 말합니다. "필요한 실험 횟수를 줄임으로써 이 시스템은 화학물질 사용과 폐기물을 획기적으로 줄여 더욱 지속 가능한 연구 관행을 발전시킵니다.

"소재 발견의 미래는 단순히 얼마나 빨리 나아갈 수 있느냐의 문제가 아니라, 얼마나 책임감 있게 목표를 달성하느냐의 문제입니다."라고 아볼하사니는 말합니다. "우리의 접근 방식은 화학 물질 사용량과 폐기물을 줄이고, 사회의 가장 어려운 과제에 대한 해결책을 더 빠르게 제시합니다."

"Flow-Driven Data Intensification to Accelerate Autonomous Materials Discovery"라는 제목의 논문은 7월 14일 Nature Chemical Engineering 저널에 게재 됩니다. 이 논문의 공동 주저자는 NC State의 박사 과정생인 Fernando Delgado-Licona, NC State의 석사 과정생인 Abdulrahman Alsaiari, NC State의 전 학부생인 Hannah Dickerson입니다. 이 논문은 NC State의 학부생인 Philip Klem, NC State의 전 박사후 연구원인 Arup Ghorai, NC State의 현재 박사후 연구원인 Richard Canty와 Jeffrey Bennett, NC State의 박사 과정생인 Pragyan Jha, Nikolai Mukhin, Junbin Li, Sina Sadeghi, NC State의 전 박사 과정생인 Fazel Bateni, Tecnologico de Monterrey의 Enrique A. López-Guajardo가 공동 집필했습니다.

본 연구는 미국 국립과학재단의 보조금 1940959, 2315996 및 2420490과 노스캐롤라이나 대학의 연구 기회 이니셔티브 프로그램의 지원을 받아 수행되었습니다.

출처: https://www.sciencedaily.com/releases/2025/07/250714052105.htm