Energetically Driven Structure Matching for Autonomous Total X-ray Scattering Experiments

새로운 재료를 발견하려는 현대적 탐구에서, 과학자들은 점점 더 스스로 작동하는 실험실으로 눈을 돌리고 있습니다. 이러한 "자율 주행 실험실(self-driving laboratories)"은 로봇을 사용하여 화학 물질을 혼합하고, 강력한 컴퓨터로 결과를 분석하며, 인공지능을 통해 다음 단계에서 무엇을 할지 결정하는 모든 과정을 연속적인 루프로 수행합니다. 목표는 더 나은 배터리나 더 효율적인 촉매와 같은 특정 특성을 가진 재료를 찾는 과정을 가속화하는 것입니다. 그러나 중대한 장애물이 남아 있습니다. 바로 로봇이 실제로 무엇을 만들어냈는지 정확히 아는 것입니다. 기계가 아주 작은 입자를 합성할 때, 컴퓨터는 완벽한 형태를 예측할 수 있지만, 열, 표면 장력, 원자 응력과 같은 복잡한 현실로 인해 실제 입자는 약간 다를 수 있습니다. 만약 시스템이 방금 만들어낸 재료의 실제 구조를 정확하게 읽어내지 못한다면, 효과적으로 학습하거나 다음 단계를 정밀하게 안내할 수 없습니다. 컴퓨터의 이상적인 모델과 원자의 물리적 실체 사이의 이 간극은 자율 과학의 차세대 돌파구가 일어나야 할 지점입니다.

덴마크 기술 대학교와 코펜하겐 IT 대학교의 연구진은 특히 금 나노입자를 포함하는 실험을 위해 이 간극을 메울 새로운 방법을 개발했습니다. 몇 나노미터 너비에 불과한 이 작은 입자들은 많은 기술에 매우 중요하지만, 그 내부의 원자 배열이 입자의 거동을 결정합니다. 연구진은 총 X선 산란(total X-ray scattering)이라는 기술에 집중했는데, 이는 X선 빔이 입자에 부딪혀 튕겨 나가면서 그 원자 구조를 드러내는 패턴을 보여주는 방식입니다. 이전의 자율 실험에서는 실험적인 X선 패턴을 구형이나 팔면체와 같은 완벽한 기하학적 형상을 기반으로 한 컴퓨터 생성 패턴 라이브러리와 비교했습니다. 이 방법은 빠르지만, 종종 실수를 유발했습니다. 컴퓨터는 로봇에게 특정 모양을 만들었다고 알려주었지만, 나중에 확인해보면 컴퓨터 모델이 아주 작은 입자의 표면에서 원자들이 어떻게 이동하고 늘어나는지를 무시했기 때문에 실제 입자의 크기나 형태가 달랐던 것입니다.

이를 해결하기 위해 연구진은 컴퓨터 모델에 에너지와 열을 도입하는 방법을 도입했습니다. 단순히 정적이고 완벽한 모양을 보는 대신, 그들은 머신러닝에 기반한 정교한 컴퓨터 프로그램을 사용하여 금 입자 내의 원자들이 실제로 어떻게 이완되고 움직이는지를 시뮬레이션했습니다. 그들은 세 가지 수준의 상세도를 테스트했습니다. 첫 번째는 단순하고 이상적인 형태인데, 계산은 빠르지만 자주 틀립니다. 두 번째는 컴퓨터가 원자를 "이완(relax)"시켜 더 안정적이고 낮은 에너지 위치로 이동하게 함으로써 많은 크기 오류를 수정하는 방식입니다. 세 번째이자 가장 상세한 단계는 입자를 열에 의해 진동하는 상태로 시뮬레이션하여, 단일한 고정된 이미지가 아닌 역동적인 형태의 구름을 만드는 것이었습니다. 이 세 가지 접근 방식을 금 나노입자의 실제 X선 데이터와 비교했을 때 결과는 명확했습니다. 단순한 모델은 일관되게 입자의 크기를 과소평가했고 때때로 형태를 혼동했습니다. 원자 이완을 고려한 모델은 훨씬 더 나았지만, 원자의 열 운동을 포함한 모델은 실제 실험 데이터와 거의 완벽하게 일치했습니다.

연구진은 단순한 모델들이 입자를 경직된 블록처럼 취급하여, 표면 원자들이 덜 구속되어 있고 흔히 내부로 끌어당겨지거나 스트레스를 해소하기 위해 이동한다는 사실을 무시했기 때문에 실패했다는 것을 발견했습니다. 이러한 왜곡은 X선 산란 방식을 변화시켜 컴퓨터가 잘못된 크기나 모양을 추측하게 만듭니다. 머신러닝 모델을 사용하여 이러한 변화를 반영함으로써, 시스템은 데카헤드론(십면체)과 팔면체(여덟 면체)처럼 비슷해 보이는 모양을 구분할 수 있었습니다. 또한, 연구진은 입자를 진공 상태에서 약간 낮은 온도로 시뮬레이션하는 것이 물속에서 시뮬레이션하는 것과 거의 동일한 결과를 낸다는 것을 발견했는데, 이는 매우 실용적인 이점입니다. 즉, 컴퓨터가 주변 액체를 모델링할 필요 없이 이러한 복잡하고 열을 고려한 시뮬레이션을 훨씬 빠르게 실행할 수 있어 실시간 사용이 가능하다는 의미입니다.

이 높은 수준의 정확도를 자율 실험의 엄격한 시간 제한 내에서 작동하게 만들기 위해, 연구진은 "깔때기(funnel)" 전략을 설계했습니다. 넓은 그물을 사용하여 시작하여 가장 유망한 후보들로 빠르게 좁혀가는 과정을 상상해 보십시오. 먼저, 시스템은 광범위한 가능성을 스캔하여 몇 가지 유력한 모양과 크기를 식별하기 위해 빠르고 단순한 모델을 사용합니다. 그다음, 오직 그 상위 후보들에 대해서만 에너지 인지 이완 시뮬레이션을 실행하여 목록을 정교화합니다. 마지막으로, 가장 비용이 많이 드는 열 시뮬레이션 모델은 남은 최상의 옵션들에 대해서만 적용합니다. 이 계층적 접근 방식은 컴퓨터가 작업을 마칠 때까지 몇 시간을 기다리지 않고도 가능한 가장 정확한 구조 정보를 얻을 수 있게 해줍니다. 테스트에서 이 방법은 15분 이내의 시간 안에 가장 잘 맞는 구조를 식별할 수 있었으며, 이는 실제 세계의 자율 합성 실험 주기와 일치하는 시간대입니다.

이 연구의 함의는 금 나노입자를 넘어 확장됩니다. 에너지에 의해 유도되는 구조 매칭이 합성과 병행하여 실행될 수 있음을 입증함으로써, 연구진은 자율 실험실이 단순히 미리 설정된 계획을 따르는 것이 아니라 자신이 발견한 것에 따라 목표를 조정할 수 있는 길을 보여주었습니다. 만약 시스템이 현재 조건에서 특정 모양을 만드는 것이 불가능하다거나, 약간 다른 모양이 에너지적으로 더 안정적이라는 것을 깨닫는다면, 실시간으로 목표를 업데이트할 수 있습니다. 이는 자율 과학를 정적인 목표를 맞추는 것에서 물리적으로 가능한 영역을 탐색하는 단계로 이동시킵니다. 이 연구는 신속한 스크리닝과 표적화된 고충실도 시뮬레이션을 결합함으로써, 과학자들이 마침내 자율 주행 실험실에 자신들이 만든 재료의 실제 원자 구조를 볼 수 있는 능력을 부여하여, 막연한 추측을 명확하고 정보에 기반한 결정으로 바꿀 수 있음을 보여줍니다.