A generative model for inorganic materials design

78%의 안정성 달성한 AI 신소재 설계 모델 'MatterGen' 개발

네이처(Nature)에 게재된 연구 보고서에 따르면, 마이크로소프트 연구진이 인공지능을 활용해 새로운 무기물질을 설계하는 생성 모델 '매터젠(MatterGen)'을 개발했다. 이 모델은 기존 생성 모델들과 비교해 안정적이고 새로운 물질을 생성할 확률이 2배 이상 높으며, 에너지 최소값에 10배 더 가깝게 접근한다는 특징을 보였다. 연구진은 60만 개 이상의 안정적인 구조를 포함하는 대규모 데이터셋(Alex-MP-20)을 구축하여 모델을 훈련시켰다.

1000만 개 생성 후에도 52% 유지되는 고유 구조 생성력

매터젠이 생성한 구조의 78%가 에너지 관점에서 안정적인 것으로 나타났으며, 95%의 구조가 수소 원자 반경(0.53Å)보다 훨씬 작은 0.076Å 이내의 오차를 보였다. 특히 1000개의 구조를 생성했을 때 100%가 고유한 구조였으며, 1000만 개의 구조를 생성한 후에도 52%가 고유한 구조를 유지했다. 생성된 구조의 61%는 기존 데이터베이스에 없는 새로운 물질이었으며, 연구팀은 국제결정구조데이터베이스(ICSD)에서 실험적으로 검증된 2000개 이상의 물질을 독립적으로 재발견하는 데도 성공했다.

확산 모델 기반의 혁신적인 물질 설계 방식 도입

매터젠은 물질의 원자 유형, 좌표, 격자 구조를 점진적으로 개선하는 확산 과정을 통해 작동한다. 모델은 각 구성 요소의 특성을 고려한 부패 과정을 정의하고, 이를 역전시키는 점수 네트워크를 학습한다. 특히 주기적 경계 조건을 고려한 좌표 확산과 평균 원자 밀도를 반영한 격자 확산 등 물질의 특성을 고려한 맞춤형 확산 과정을 도입했다.

3-5원소 시스템에서도 입증된 우수한 성능

매터젠은 다원소 시스템에서도 뛰어난 성능을 보였다. 3원소 시스템의 경우, 기존에 잘 연구된 V-Sr-O 시스템에서 Sr2VO4, Sr3(VO4)2, SrV2O4, SrV2O6 등 4개의 안정적인 구조를 발견했다. 특히 5원소 시스템에서는 기존 방법들보다 월등히 높은 효율을 보였는데, 1만 개 정도의 샘플만으로도 대체법(7만 개 샘플)이나 무작위 구조 탐색법(RSS, 60만 개 샘플)보다 더 많은 안정적인 구조를 발견했다. 잘 연구된 시스템에서는 83%, 부분적으로 연구된 시스템에서는 64%, 미연구 시스템에서도 48%의 높은 성공률을 기록했다.

180회 DFT 계산으로 106개 신물질 발견하는 효율성

매터젠은 자기적, 전자적, 기계적 특성 등 다양한 물성을 목표로 하는 물질을 설계할 수 있다. 예를 들어, 고자기밀도(0.2Å-3) 물질 설계에서는 Gd2N과 Gd6H2CN3를, 밴드갭(3.0eV) 조절에서는 VBiO4와 TlNO3를, 체적탄성률(400GPa) 목표에서는 Re3B와 Re3B2C 구조를 생성했다. 180회의 밀도범함수이론(DFT) 계산만으로도 높은 체적탄성률을 가진 106개의 안정적이고 새로운 물질을 발견했는데, 이는 기존 스크리닝 방식(40개 발견)보다 훨씬 효율적이다.

희토류 없는 자석 등 실용적 신소재 개발 성과

고자기밀도(0.2Å-3)와 낮은 공급망 리스크 점수(1250)를 동시에 만족하는 희토류 원소가 없는 자석 물질로 MnFe3O4와 Fe8Au 등을 설계하는 데 성공했다. 특히 TaCr2O6 물질을 실제로 합성하여 목표했던 체적탄성률 200 GPa에 대해 실제 측정값 169 GPa(±11 GPa)을 얻어내며 모델의 신뢰성을 입증했다.

촉매 설계부터 탄소 포집까지 폭넓은 미래 응용 전망

연구진은 매터젠이 촉매 표면부터 금속-유기 골격체까지 더 넓은 범위의 물질로 확장될 수 있을 것으로 전망했다. 이를 통해 질소 고정이나 탄소 포집과 같은 도전적인 문제들을 해결할 수 있을 것으로 기대된다. 또한 밴드 구조나 X선 회절 스펙트럼과 같은 비스칼라 물성으로의 확장 가능성도 제시했다.

해당 기사에서 인용한 리포트 원문은 링크에서 확인할 수 있다.

이미지출처: 마이크로소프트

기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다.