Learning the Chronology of Materials Discovery for Synthesizability Prediction

새로운 재료를 찾는 과정은 시간과의 싸움입니다. 과학자들은 이제 강력한 컴퓨터를 사용하여 수백만 개의 새로운 화학적 레시피를 상상할 수 있으며, 실험실에서 테스트하는 것보다 훨씬 빠르게 배터리, 태양광 패널, 의약품을 위한 후보 물질들을 제안할 수 있습니다. 이는 병목 현상을 야기합니다. 즉, 이론적인 가능성의 거대한 바다 속에서 아주 적은 부분만이 실제로 만들어지고 작동함을 증명받을 수 있다는 점입니다. 이를 헤쳐 나가기 위해 연구자들은 이 상상 속의 레시피 중 실제로 실험실에서 구현 가능한 것이 무엇인지 추측하려는 컴퓨터 모델을 개발해 왔습니다. 전통적으로 이러한 모델들은 과학의 역사를 정적인 목록으로 취급하여, 발견이 언제 혹은 왜 일어났는지를 고려하지 않고 오직 무엇이 만들어졌고 무엇이 만들어지지 않았는지만을 살펴봅니다. 그들은 새로운 재료로 가는 경로가 무작위라고 가정하며, 인간의 발견이 가용 도구, 자금 지원, 그리고 변화하는 과학적 관심사에 의해 형성되는 특정한 진화 과정을 따른다는 사실을 간과합니다.

임페리얼 칼리지 런던의 연구팀은 예측 방식에 변화를 주는 '크로노신(ChronoSyn)'이라는 새로운 접근법을 도입했습니다. 크로노신은 재료의 역사를 단순한 사실의 집합으로 취급하는 대신, 발견의 타임라인 자체로부터 학습합니다. 이 모델은 과학자들이 새로운 재료를 발견한 순서가 무작위가 아니라는 점을 인식합니다. 그것은 실질적인 필요와 기술적 진보에 의해 추진되는 하나의 진행 과정을 반영합니다. 컴퓨터에게 이 역사적 순서를 이해하도록 가르침으로써, 모델은 어떤 화학적 조합이 다음에 합성될 가능성이 높은지에 대해 더 깊은 통찰력을 얻게 됩니다. 연구진은 과거 발견의 날짜를 포함함으로써, 모델이 이전에 본 적 없는 새로운 재료까지도 식별하는 능력이 상당히 향상되었음을 발견했습니다.

이 작업의 핵심은 모델이 정보를 처리하는 방식에 있습니다. 모델은 특정 원소의 혼합물인 화학적 조성(chemical composition)을 받아 이를 디지털 지문(digital fingerprint)으로 변환합니다. 이 지문은 이후 컴퓨터 프로그램의 서로 다른 두 부분으로 동시에 입력됩니다. 한 부분은 해당 재료가 합성 가능한지를 예측하려고 시도하며, 다른 한 부분은 그 재료가 다른 재료들과 비교했을 때 언제 발견되었을지를 추측합니다. 모델은 알려진 재료들의 쌍을 비교하며 학습하며, 최근 몇 년 사이에 보고된 재료에는 '나중' 점수를 부여하고 오래전에 발견된 재료에는 '이전' 점수를 부여하도록 내부 로직을 조정합니다. 이 이중 과업은 컴퓨터가 시간의 흐름을 존중하는 공유된 화학적 이해를 구축하도록 강제합니다. 그 결과, 이 시스템은 단순히 알려진 재료의 목록을 암기하는 것이 아니라, 과학이 화학적 공간을 어떻게 이동하는지에 대한 궤적을 이해하게 됩니다.

타임라인을 무시하는 표준 모델들과 비교했을 때, 크로노신은 더 높은 정확도를 입증했습니다. 수십만 개의 기성 및 가설적 재료를 포함하는 데이터베이스를 이용한 실험에서, 이 새로운 모델은 실제 합성 가능한 화합물을 더 높은 비율로 정확하게 식별해 냈습니다. 이러한 개선은 단순한 통계적 상승이 아니라, 발견의 역사가 귀중한 단서를 제공한다는 명확한 신호였습니다. 연구진은 모델이 재료를 실제 역사와 유사하게 그룹화하는 법을 배웠음을 관찰했습니다. 모델의 내부 지도에서 1970년대와 1980년대에 발견된 재료들은 한 구역에 모여 있었고, 2010년대와 2020년대에 발견된 재료들은 다른 구역에 모여 있었습니다. 이러한 조직화를 통해 모델은 철저히 탐구된 화학적 가족과 이제 막 조사가 시작된 화학적 가족을 구분할 수 있었습니다.

이 타임라인을 읽는 능력은 아직 보고되지 않은 재료를 살펴보는 데 특히 유용했습니다. 모델은 최근 수십 년간 발견된 화학적 가족과 유사한 가설적 조성 그룹들을 식ền해 냈습니다. 이러한 '최근 스타일의(recent-like)' 재료들은 오래된 스타일의 재료들보다 합성 가능성에 대해 더 높은 점수를 받았습니다. 연구진은 이것이 타당하다고 판단했는데, 리튬 이온 배터리나 연료 전지에 사용되는 것처럼 최근 활발히 연구되고 있는 화학적 공간은 여전히 탐구 중이므로, 그 영역 내의 미보고 재료들이 실제로 구현 가능할 확률이 더 높기 때문입니다 수십 년 전에 집중적으로 연구되었으나 현재는 조용해진 화학적 공간은 실제로 만들기 어렵거나 불가능한 재료를 포함할 가능성이 더 높습니다. 모델은 효과적으로 현재 연구의 '최전선'을 과거 탐구의 '낙후 지역'보다 우선순위에 두는 법을 배웠습니다.

이 접근법의 실질적인 가치를 테스트하기 위해 연구진은 회고적 실험을 수행했습니다. 그들은 특정 연도(예: 2018년)까지 가용한 지식만을 사용하여 모델을 훈련시킨 후, 그 날짜 이후에 어떤 재료들이 발견될지 예측하도록 했습니다. 크로노신은 차단 시점 이후에 실제로 과학 문헌에 보고된 조성들을 성공적으로 포착해 냄으로써, 표준 모델들보다 일관되게 우수한 성능을 보였습니다. 이는 모델이 과거를 사용하여 미래를 예측할 수 있음을 보여주었습니다. 이는 과학자들이 지금까지 재료를 찾아온 경로가 바로 다음의 돌파구가 어디에서 일어날지에 대한 지도를 쥐고 있음을 시사합니다.

또한 이 연구는 모델이 란타넘족과 같은 희토류 원소를 포함하는 복잡한 재료를 식별하는 데 특히 뛰어나다는 것을 밝혀냈습니다. 이러한 재료들은 종종 집중적인 연구 기간과 조용한 시기가 교차하는 독특한 발견의 파동을 보입니다. 모델은 이러한 발견의 파동의 타이밍을 학습했기 때문에, 새로운 조성이 현재 활발한 연구 트렌드에 부합하는지를 더 잘 인식할 수 있었습니다. 연구진이 5,000만 개의 잠재적 화학 조합이 있는 거대한 가설적 공간에 크로노신을 적용했을 때, 모델은 실현 가능성이 높은 특정 화합물 군을 강조했습니다. 과학적 기록을 대조해 본 결과, 이 높은 점수를 받은 예측들 중 상당수가 실제로 과거에 합성되어 보고되었으나 훈련에 사용된 주요 데이터베이스에는 누락되었던 재료들이라는 것이 확인되었습니다.

연구진은 자신들의 방법에도 한계가 있음을 인정합니다. 모델은 발견의 대리 지표로서 출판 날짜에 의존하며, 이는 재료가 처음 만들어진 정확한 순간과 항상 일치하지는 않을 수 있습니다. 또한 인간 연구의 편향을 반영하므로, 역사적으로 관심을 끌었던 화학 분야를 선호하고 소외되었지만 유망한 분야를 간과할 가능성이 있습니다. 나아가, 모델은 화학식이 가능한지를 예측하지만, 재료를 안정적이거나 불안정하게 만드는 구체적인 결정 구조(crystal structures)까지는 아직 고려하지 못합니다. 그럼에도 불구하고, 이 연구는 과학의 역사가 단순히 무엇이 행해졌는지에 대한 기록이 아니라, 무엇을 다음에 할 수 있는지에 대한 가이드임을 보여줍니다. 재료 발견의 연대기를 학습함으로써, 과학자들은 이제 과거를 사용하여 미래의 광활하고 미개척된 영역을 더욱 효과적으로 항해할 수 있습니다.