고온 실험 없이 '최적 합금' 예측 위한 AI 모델 개발

[이데일리 강민구 기자] 한국과학기술원(KAIST) 연구진이 합금이 녹을 때 서로 얼마나 잘 섞이는지를 미리 예측해 미래 합금 개발의 방향성을 제시했다.

KAIST는 홍승범 신소재공학과 교수 연구팀이 크리스 울버튼 미국 노스웨스턴대 교수 연구팀과 밀도범함수이론 기반의 형성에너지(합금이 얼마나 안정적인지를 나타내는 값) 데이터를 활용해 합금이 녹을 때 성분이 유지되는지를 예측하는 고정확도 머신러닝 모델을 개발했다고 14일 밝혔다.

KAIST 연구진.(왼쪽부터) 홍승범 교수와 최영우 박사과정.(사진=KAiST)

연구팀이 이용한 밀도범함수이론은 전자 밀도를 기반으로 시스템의 전체 에너지를 계산하는 방법이다. 해당 이론으로 계산한 형성에너지와 기존 실험적 융해 반응 데이터를 머신러닝에 결합해 4536개의 이원계 화합물에 대한 융해 반응 유형을 학습한뒤 예측 모델을 구성했다.

분석 결과, 다양한 머신러닝 알고리즘 중 ‘XGBoost’ 기반 분류 모델이 합금이 잘 섞이는지에 대해 가장 높은 정확도를 보였고, 약 82.5%의 예측 정확도를 기록했다.

연구팀은 또 샤플리 기법(인공지능이 어떤 이유로 그렇게 판단했는지 알려주는 설명 도구)으로 모델의 주요 특징들을 분석했다. 이 중에서도 기울기 변화가 크다는 것은 조성에서 에너지적으로 안정된 상태가 형성된다는 뜻으로 ‘형성에너지 곡선의 기울기 변화’가 중요 인자로 도출됐다.

연구팀은 고온 실험 없이도 소재의 융해 반응 경향성을 예측할 수 있다는 점에 의미를 부여했다. 향후 다양한 금속재료 개발과 구조 안정성 예측 등에도 활용할 수 있다고 봤다.

홍승범 KAIST 교수는 “기존 경험적 합금 설계 방식에서 벗어나 데이터 기반의 예측 소재 개발이 가능하다는 가능성을 보여줬다”며 “향후 생성형 모델, 강화학습 등의 최신 AI 기술을 접목하면 새로운 합금을 자동 설계하는 시대가 열릴 것”이라고 말했다.

연구 결과는 ‘미국물리협회(American Institute of Physics)’에서 발간하는 머신러닝 분야 국제 학술지 ‘APL 머신러닝(Machine Learning)’ 5월호에 게재됐다.

융해 유형 예측 모델학습과 평가 과정 개요.(자료=KAIST)