Discovering High-Strength Alloys via Physics-Transfer Learning

금속의 강도는 라벨에 적힌 단 하나의 숫자가 아니라, 크기와 시간의 척도에 걸쳐 쓰인 하나의 이야기입니다. 가장 작은 수준에서 원자들은 마치 대열을 맞추어 서 있는 군인들처럼 질서 정연한 줄을 이루고 있습니다. 금속이 휘거나 늘어날 때, 이 줄들은 서로를 부드럽게 미끄러져 지나가지 않습니다. 대신, '전위(dislocation)'라고 불리는 원자 배열의 미세한 결함에 의해 구동되어, 울퉁불퉁하고 단계적인 방식으로 움직입니다. 무거운 카펫을 바닥에서 옮겨야 하는 상황을 상상해 보십시오. 당신은 카펫 전체를 한꺼번에 끌지 않습니다. 대신 카펫에 물결 모양의 주름이나 툭 튀어나온 부분을 만들어, 그 부분이 이동할 때까지 밀어 나갑니다. 결정 속에서 그 툭 튀어나온 부분이 바로 전위입니다. 이 물결을 밀어내는 데 필요한 힘이 금속의 강도를 측정하는 근본적인 척도입니다. 과학자들은 이 힘을 계산할 수 있다면 어떤 새로운 합금이 가장 강할지 예측할 수 있다는 사실을 오래전부터 알고 있었습니다. 그러나 이를 정확하게 계산하는 것은 컴퓨터에게는 악몽과 같습니다. 관련된 물리학은 매우 복잡하며, 가장 정밀한 원자 시뮬레이션이 다루기에는 너무 크고, 단순한 공학적 규칙을 적용하기에는 너무 작은 거리들에 걸쳐 있습니다. 수십 년 동안 연구자들은 두 가지 나쁜 선택지 사이에 갇혀 있었습니다. 빠르지만 틀린 방법을 사용하거나, 혹은 옳지만 너무 오래 걸려 아주 소수의 재료만을 테스트할 수 있는 방법을 사용하는 것이었습니다.

칭화대학교와 중국과학원 연구진은 이 함정에서 벗어날 방법을 찾아냈습니다. 그들은 서로 다른 두 가지 물리학 언어 사이에서 통역사 역할을 하는 새로운 접근 방식을 개발했습니다. 그들은 빠르고 근사적인 시뮬레이션으로 생성된 수백만 개의 사례를 연구함으로써, 컴퓨터 프로그램(일종의 인공지능)이 원자가 움직이는 규칙을 이해하도록 학습시켰습니다. 프로그램이 이러한 규칙을 익히고 나면, 연구진은 보통 대규모 프로젝트를 수행하기에는 비용이 너무 많이 드는 느리고 초정밀한 시뮬레이션으로부터 데이터를 입력했습니다. 프로그램은 물리적 이해를 바탕으로 정밀한 데이터를 강도 예측값으로 번역했습니다. 연구진이 '물리-전이 학습(physics-transfer learning)'이라 부르는 이 방법은 수천 가지의 잠재적 금속 조합을 단 몇 초 만에 스크리닝하여, 믿기 힘들 정도로 강한 합금들을 식별해 냈습니다. 그들은 컴퓨터 화면에 머물지 않았습니다. 이러한 예측에 따라, 고속 증착 기술을 사용하여 두 가지 금속의 혼합물인 새로운 이원계 합금(binary alloys)을 제작했습니다. 이 새로운 재료들을 테스트했을 때, 결과는 예측과 대체로 일치했으나, 특정 조성 하나는 예측된 결정 구조가 아닌 유리질(glassy) 구조를 형성했습니다. 그들은 기존의 동일한 금속들보다 20배나 더 강한 합금을 만들어냈으며, 이는 컴퓨터 모델이 이전에 만들어진 적 없는 실제 세계의 재료 제작을 성공적으로 안내할 수 있음을 입증했습니다.

이 성과의 핵심은 연구진이 '정확도-성능 딜레마'를 어떻게 처리했느냐에 있습니다. 과거에는 금속의 강도를 알기 위해 과학자들은 속도와 진실 사이에서 하나를 선택해야 했습니다. 그들은 원자의 행동을 모사하는 단순화된 수학적 규칙인 경험적 힘의 장(empirical force fields)을 사용할 수 있었습니다. 이것들은 노트북에서도 실행될 만큼 빠르지만, 실제와 비교했을 때 200% 이상의 오차를 낼 정도로 세부 사항을 틀리는 경우가 많았습니다. 반대편 스펙트럼에는 모든 원자에 대해 양자 역학의 근본 방정식을 푸는 제1원리 계산(first-principles calculations)이 있었습니다. 이것들은 믿을 수 없을 정도로 정확하지만, 계산량이 너무 많아 아주 작고 완벽한 결정에만 사용할 수 있습니다. 실제 금속이 파괴되는 지점인 거대하고 무질서한 결함들을 다룰 수는 없었습니다. 연구진은 원자 구조와 재료의 강도 사이의 관계가 어떤 계산 방법을 사용하든 존재하는 물리 법칙이라는 점을 깨달았습니다. 만약 컴퓨터가 빠르고 불완전한 데이터로부터 이 물리 법칙을 배울 수 있다면, 그 동일한 법칙을 느리고 완벽한 데이터에 적용할 수 있을 것이라 생각했습니다.

이 아이디어를 테스트하기 위해 연구팀은 구리, 철, 티타늄과 같은 흔한 원소뿐만 아니라 희귀 원소들을 포함한 디지털 금속 라이브러리를 구축했습니다. 그들은 원자 배열을 미세하게 조정함에 따라 이러한 금속들의 강도가 어떻게 변하는지 확인하기 위해 빠르고 근사적인 방법과 느리고 정밀한 방법을 모두 사용하여 시뮬레이션을 수행했습니다. 그런 다음 인간의 뇌에서 영감을 얻은 인공지능의 일종인 신경망을 훈련시켜, 원자 세부 사항과 강도를 연결하는 패턴을 찾도록 했습니다. 신경망은 결정 속에서 전위가 어떻게 이동하는지에 대한 기저의 물리학을 인식하는 법을 배웠습니다. 훈련을 마친 후, 신경망에는 느린 시뮬레이션으로부터 얻은 정밀하고 고품질인 데이터가 주어졌습니다. 네트워크는 이미 빠른 시뮬레이션을 통해 게임의 규칙을 배웠기 때문에, 화학적 정확도를 갖춘 새로운 재료의 강도를 즉각적으로 예측할 수 있었습니다. 결과는 놀라웠습니다. 작은 시스템의 경우, 이 새로운 방법은 오차를 200% 이상에서 50% 미만으로 줄였으며, 더 크고 복잡한 시스템의 경우 재료와 슬립 시스템에 따라 약 4%에서 48% 사이의 오차를 보였습니다. 예측에 걸린 시간은 1초 미만이었으며, 이는 하루에 수천 개의 후보를 스크리닝할 수 있는 속도였습니다.

이 강력한 도구를 손에 넣은 연구진은 알려진 그리고 이론적인 결정들의 방대한 라이브러리로 시선을 돌렸습니다. 그들은 간과되었던 고강도 합금을 찾는 데 집중했습니다. 컴퓨터는 원자 구조가 앞서 언급한 미세한 툭 튀어나온 부분의 움직임에 가장 큰 저항을 만들어내는 조합을 찾기 위해 수천 가지의 가능성을 훑었습니다. 알고리즘은 구리와 티타늄, 알루미늄과 티타늄의 특정 혼합물을 포함하여 유망한 후보들을 식별했습니다. 이것들은 단순한 무작위 추측이 아니었습니다. 모델은 이러한 특정 비율이 '준안정 상태(metastable state)', 즉 강도는 높지만 원자들이 보통 취하는 가장 안정적인 형태는 아닌 원자 배열을 생성할 것이라고 예측했습니다. 이것은 매우 중요한 차이입니다. 전통적인 금속 공학은 대개 더 부드러운 재료를 만드는 결과를 초래하는 가장 안정적인 상태를 찾는 데 의존합니다. 새로운 접근 방식은 원자들을 덜 안정적이고 에너지가 높은 배열으로 강제함으로써 비범한 강도를 달ras 수 있다는 것을 시사했습니다.

최종 테스트는 이러한 컴퓨터 예측이 실험실의 무질서한 현실 속에서도 살아남을 수 있는지 확인하는 것이었습니다. 연구팀은 이온 빔 증착(ion beam deposition)이라는 기술을 사용하여 합금을 제작했습니다. 이 과정은 이온을 타겟에 쏘아 원자를 떨어뜨린 다음, 이를 표면에 포집하여 새로운 재료를 층층이 쌓아 올리는 방식으로, 모델이 예측한 고강도 준안정 상태에 원자들을 가두는 데 필요한 매우 높은 냉각 속도를 구현할 수 있게 해줍니다. 그들은 모델이 승자로 지목한 조성을 가진 구리-티타늄 및 알루미늄-티타늄 박막을 제작했습니다. 강도를 테스트하기 위해 연구진은 몇 마이크로미터 너비에 불과한 새로운 재료의 미세 기둥을 만들고, 아주 작은 인덴터(indenter)로 압착했습니다. 결과는 극적이었습니다. 새로운 합금들은 용질 함량이 낮은 전통적인 합금들보다 20배나 높은 강도를 보여주었습니다. 강력한 전자 현미경으로 재료를 관찰했을 때, 그들은 강도가 결정 속에서 전위가 이동하는 방식에서 비롯된다는 것을 확인했으며, 이는 성공적인 결정 샘플들에 대해 물리-전이 모델이 예측했던 것과 정확히 일치했습니다. 그러나 특정 조성인 Cu4Ti의 경우, 증착 기술의 한계로 인해 예상된 고강도를 나타내지 않는 유리질 구조가 형성되었으며, 이는 예측에서 생산으로 가는 경로가 여전히 복잡함을 보여주었습니다. 하지만 결정으로 형성된 재료들은 유리처럼 깨지지 않고 휘어지고 흘렀으며, 이는 그들이 강화된 특성을 가진 진정한 금속임을 증명했습니다.

이 프로젝트의 성공은 단순히 더 강한 금속을 만드는 것에 그치지 않습니다. 이는 이론과 실험 사이의 간극을 메우는 새로운 과학적 방식을 보여줍니다. 연구진은 컴퓨터에게 단순히 데이터 포인트를 암기시키는 것이 아니라 물리 법칙을 이해하도록 가르침으로써, 이전에 본 적 없는 재료에도 일반화될 수 있는 도구를 만들었습니다. 그들은 한 종류의 시뮬레이션에서 학습된 물리학이 다른 종류의 시뮬레이션으로 전이될 수 있음을 보여주었으며, 이를 통해 빠르고 정확한 예측을 가능하게 했습니다. 이 접근 방식은 합성하기 어렵거나 이론적 데이터베이스에만 존재하는 재료를 포함하여, 훨씬 더 넓은 범위의 재료를 탐구할 수 있는 문을 열어줍니다. 연구진은 자신들의 방법이 고강도 후보들을 성공적으로 식별했지만, 실제 제조에는 이러한 재료들을 안정화하기 위한 고급 기술이 필요하다는 점을 언급했습니다. 모든 예측이 완벽한 결정을 낳는 것은 아니었습니다. 일부 시도는 예상된 강도를 보여주지 않는 유리질 구조를 만들었으며, 이는 예측에서 생산으로 가는 경로가 여전히 복잡함을 강조했습니다. 그럼에도 불구하고, 수백만 가지의 가능성 중에서 소수의 실행 가능한 후보로 범위를 좁힐 수 있는 능력은 거대한 도약입니다.

이 연구는 미래의 재료 발견이 인간의 통찰력과 머신 러닝 사이의 파트너십에 의존할 것임을 시사합니다. 연구진은 물리 실험이나 깊은 이론적 이해의 필요성을 대체한 것이 아닙니다. 대신, 그들은 인공지능을 사용하여 서로 다른 규모의 물리학 사이를 통역하게 함으로써, 계산의 한계에 의해 이전에 숨겨져 있던 연결 고리들을 볼 수 있게 했습니다. 그들은 고강도 합력을 스크리닝할 수 있는 정밀도가 이전에는 가장 비싸고 시간이 많이 드는 시뮬레이션에만 허용되었던 수준임을 입증했습니다. 그 결과물인 구리-티타늄 및 알루미늄-티타늄 합금과 같은 새로운 클래스의 재료들은 실제 응용 분야에서 테스트될 준비가 되어 있습니다. 이 분야가 발전함에 따라, 이 물리-전이 프레임워크는 에너지 저장에서 약물 설계에 이르기까지 다양한 분야의 복잡한 문제들을 해결하는 데 적용될 수 있습니다. 이 연구는 우리가 기계에게 물리 세계의 규칙을 가르칠 때, 기계가 어떻게 더 강하고 탄력적인 미래를 건설하는 데 도움을 줄 수 있는지를 보여주는 명확한 사례입니다.