Mic-hackathon 2024: Hackathon on Machine Learning for Electron and Scanning Probe Microscopy

당신이 미스터리를 풀려는 탐정이라고 상상해 보세요. 하지만 지문 대신 우주의 가장 작은 구성 요소인 원자를 찾고 있습니다. 과학자들은 원자의 사진을 찍기 위해 현미경이라는 강력한 도구를 사용하지만, 그 이미지들은 너무 복잡하고 데이터가 너무 많아서 가장 똑똑한 인간조차 압도당할 수 있습니다. 이는 마치 당신이 말할 줄 모르는 언어로 쓰인 도서관의 책들을 한꺼번에 읽으려고 노력하는 것과 같습니다. 이를 이해하기 위해, 과학자들은 머신러닝이라는 특별한 종류의 '두뇌'를 사용하여 컴퓨터가 이 이미지들을 "읽는" 법을 가르치기 시작했습니다. 이것은 단순히 더 나은 사진을 찍는 것에 관한 것이 아닙니다. 현미경이 스스로 생각하고, 결정하고, 심지어 실시간으로 자신의 실수를 바로잡을 수 있도록 만드는 것에 관한 것입니다. 큰 질문은 이것입니다: 우리가 보이지 않는 세계를 명확하고, 빠르게, 그리고 지치지 않고 볼 수 있게 도와주는 디지털 비서를 구축할 수 있을까요?

이 논문은 컴퓨터 전문가와 현미경 과학자들이 팀을 이루어 이 디지털 비서를 만들기 위해 이틀 동안 진행한 고에너지 이벤트인 "해커톤"의 보고서입니다. 그들은 단순히 아이디어를 논의한 것이 아니라, 실제 문제를 해결하기 위한 작동하는 프로토타입을 구축했습니다. 한 팀은 연구자들이 값비싼 장비를 망가뜨리지 않고 연습할 수 있는 비디오 게임 버전인 현미경의 "디지털 트윈"을 만들었습니다. 또 다른 그룹은 컴퓨터에게 재료의 미세한 알갱이를 찾아내고, 크기별로 분류하며, 심지어 가장 흥미로운 지점을 자동으로 확대하여 찾는 법을 가르쳤습니다. 그들은 또한 더러운 현미경 팁으로 인해 발생하는 흐릿한 이미지를 수정하는 도구를 만들었으며, 심지어 느리고 무거운 시뮬레이션을 실행하지 않고도 원자가 어떻게 진동하는지 예측하려고 시도했습니다. 주요 발견은 이러한 AI 도구들이 놀라울 정도로 잘 작동한다는 것입니다. 즉, 구조를 식별하고, 지저든 데이터를 정화하며, 심지어 실험의 다음 최선의 단계를 제안할 수 있다는 것입니다. 그러나 저자들은 이 도구들이 유망하긴 하지만 아직 완벽하지는 않다는 점을 주의 깊게 언급했습니다. 일부 모델은 때때로 혼란을 겪거나 "과적합(overfit)"되는데, 이는 훈련 데이터를 너무 밀접하게 암기하여 본 적 없는 새로운 이미지에 어려움을 겪는 것을 의미합니다. 논문은 더 다양한 데이터와 더 나은 튜닝이 있다면, 이 AI 조력자들이 곧 과학자들의 표준적인 파트너가 되어 수 시간의 수동 작업을 자동화된 발견의 몇 분으로 바꿔놓을 수 있다고 제안합니다.

현미경의 새로운 두뇌: 해커톤 보고서

큰 그림: 왜 현미경에 AI가 필요한가
현대의 전자 현미경이나 주사 프로브 현미경을 개별 원자를 볼 수 있는 초강력 카메라라고 생각해보세요. 하지만 이 카메라들은 너무 강력해서 인간이 들여다볼 수 있는 속도보다 더 빠르게 데이터를 생성합니다. 이는 초당 백만 장의 사진을 찍는 카메라를 가진 것과 같습니다. 만약 당신이 모든 사진을 하나하나 다 보려고 한다면, 당신은 아무 일도 끝내지 못할 것입니다. 수십 년 동안 과학자들은 이러한 이미지에서 흥미로운 부분을 수동으로 골라내야 했으며, 이 과정은 느리고 지루하며 인간의 실수(예를 들어, 피곤해서 아주 작은 결함을 놓치는 것)가 발생하기 쉽습니다.

이 논문은 전 세계의 연구자들이 이 문제를 해결하기 위해 모인 "Mic-hackathon 2024"라는 최근의 행사를 설명합니다. 그들은 머신러닝(ML)—컴퓨터가 예시로부터 학습하게 하는 기술—이 현미경의 지루한 부분들을 대신할 수 있는지 확인하고자 했습니다. 목표는 흥미로운 특징을 자동으로 찾고, 나쁜 이미지를 정화하며, 심지어 현미경을 제어하여 스스로 더 나은 사진을 찍을 수 있는 도구를 만드는 것이었습니다.

디지털 트윈: 아무것도 망가뜨리지 않고 연습하기
주최측이 처음으로 한 일 중 하나는 현미경의 "디지털 트윈"을 만드는 것이었습니다. 조종사가 실제 비행기를 추락시킬 위험 없이 착륙 연습을 할 수 있는 비행 시뮬레이터를 상상해 보세요. 이와 유사하게, 이 디지털 현미경(DTMicroscope라고 불림)은 참가자들이 안전한 가상 환경에서 코드를 작성하고 AI 아이디어를 테스트할 수 있게 해주었습니다. 그들은 실제 비싸고 귀중한 기계를 예약할 필요 없이 그래핀이나 나노 입자와 같은 재료의 사진을 찍는 것을 시뮬레이션하며 코드를 테스트할 수 있었습니다. 이것은 게임 체인저였는데, 코드가 충돌하더라도 실제 장비가 손상되지 않는다는 것을 알기에 누구나 자유롭게 실험할 수 있었기 때문입니다.

프로젝트: 팀들이 구축한 것들
참가자들은 특정 과제를 해결하기 위해 팀을 나누었습니다. 다음은 그들이 만든 가장 흥미로운 것들입니다:

• 자동 알갱이 탐지기: 한 팀은 생물학적 이미지에서 세포를 찾기 위해 원래 설계된 "cellSAM"이라는 모델을 사용하여 금속 및 세라믹 재료의 알갱이를 찾는 데 사용했습니다. 이는 컴퓨터에게 빵 한 덩어리 안의 개별 기포를 찾는 법을 가르치는 것과 같습니다. 컴퓨터가 알갱이를 찾고 나면 크기와 밀도에 따라 분류할 수 있으며, 이는 과학자들이 가장 흥미로운 지점을 연구하는 데 도움을 줍니다. 그들은 심지 даже 컴퓨터가 특정 지점으로 자동 확대하도록 현미경에 명령하는 시스템을 구축하여 수동 검색 시간을 절약했습니다.
• 이미지 클리너: 현미경은 종종 "더러워진" 팁을 가지게 되며, 이는 이미지를 흐릿하게 하거나 복제된 것처럼 보이게 만듭니다(마치 즐거운 집의 거울에 비친 모습처럼). 두 팀은 이러한 "팁 아티팩트(tip artifacts)"를 수정하기 위해 AI를 사용하는 작업을 수행했습니다. 그들은 컴퓨터가 흐릿한 이미지를 보고 원래의 깨끗한 표면이 어떤 모습이었을지 추측하도록 훈련시켰습니다. AI는 중간 정도의 흐림을 수정하는 데는 훌륭한 성과를 보였지만, 논문에서는 팁이 매우 뭉툭하거나 두 개의 점을 가진 경우와 같은 극단적인 경우에는 어려움을 겪기도 했다고 언급했습니다. 이는 진행 중인 작업이지만, 유망한 시작입니다.
• 결정 구조 예측기: 또 다른 팀은 시간이 오래 걸리는 무거운 수학 계산을 수행하지 않고 원자가 어떻게 진동하는지(열 확산 산란) 예측하고자 했습니다. 그들은 단순한 "탄성" 시뮬레이션을 보고 복잡한 진동 버전을 추측하도록 신경망을 훈련시켰습니다. 테스트 결과, AI의 추측은 실제 시뮬레이션과 매우 근접했으며, 이는 미래에 과학자들이 이러한 복잡한 결과를 거의 즉각적으로 얻을 수 있음을 시사합니다.
• 강유전체 탐정: 한 팀은 생성적 적대 신경망(GAN)을 사용하여 리드 티타네이트(lead titanate)라는 재료의 내부 구조를 예측했습니다. 그들은 표면 높이만을 보고 재료 내부의 "분극"(전기적 힘의 방향)을 추측하려고 시었습니다. AI는 표면 높이를 통해 도메인 사이의 경계를 포착하는 데 놀라울 정도로 뛰어났지만, 때때로 혼란을 느껴 실제로 존재하지 않는 변화를 예측하기도 했습니다. 이는 모델이 완벽하게 신뢰받기 위해서는 더 많은 훈련 데이터가 필요함을 시사합니다.
• 스마트 크로퍼(Smart Cropper): 이러한 AI 모델을 훈련시키기 위해 과학자들은 종종 큰 이미지를 작은 조각으로 잘라야 합니다. 한 팀은 AI가 가장 잘 학습할 수 있는 방법을 알아보기 위해 이미지를 자르는 다양한 방식을 테스트했습니다. 그들은 "랜덤 크로핑"(무작위 위치에서 조각을 자르는 것)이 격자 형태로 깔끔하게 자르는 것보다 더 효과적이라는 것을 발견했습니다. 이는 얼굴을 정면에서만 보는 것이 아니라 다양한 각도에서 봄으로써 얼굴을 인식하는 법을 배우는 것과 같습니다. 무작위성은 AI가 재료를 더 잘 이해하도록 돕습니다.

결론: 유망하지만 완벽하지는 않음
이번 해커톤은 머신러닝이 현미경 분야의 진지한 파트너가 될 준비가 되었음을 보여주었습니다. 팀들은 지루한 작업을 자동화하고, 지저분한 데이터를 정화하며, 심지어 현미경을 제어할 수 있는 도구들을 성공적으로 구축했습니다. 그러나 논문은 AI 모델이 마법이 아니며, 특히 본 적 없는 데이터를 접했을 때 실수를 할 수 있다는 점을 매우 솔직하게 밝히고 있습니다. 일부 모델은 훈련 예시를 너무 잘 암기하여 새로운 상황에 적용하지 못하는 "과적합" 현상을 보입니다.

저자들은 다음 단계로 더 다양한 데이터를 수집하고 모델을 정교화해야 한다고 제안합니다. 또한 그들은 서로 다른 AI 도구의 성능을 테스트하기 위한 표준 테스트인 "벤치마크"의 필요성을 강조합니다. 궁극적인 목표는 단순히 사후에 데이터를 분석하는 것을 넘어, 실험이 진행되는 동안 과학자들의 의사 결정을 돕는 AI를 갖추는 것입니다.

이것이 왜 중요한가
이것은 단지 과학자들의 삶을 편하게 만드는 것만이 아닙니다. 지루한 일을 자동화함으로써, AI는 인간 연구자들이 더 큰 질문에 집중할 수 있도록 자유를 줍니다. 이는 새로운 배터리 재료, 더 나은 태양 전지, 더 강한 금속에 대한 빠른 발견으로 이어질 수 있습니다. 논문은 우리가 아직 그 단계에 도달하지는 못했지만, 기초가 지금 구축되고 있다고 결론짓습니다. 해커톤 기간 동안 만들어진 "디지털 트윈"과 오픈 소스 도구들은 누구나 사용할 수 있도록 공개되어 있으며, 이는 이 새로운 방식의 과학이 함께 성장하고 발전할 수 있도록 보장합니다. 이는 현미경이 단순히 사진을 찍는 것을 넘어, 실제로 원자 하나하나를 통해 세상을 이해하도록 돕는 미래를 엿보는 것입니다.