Interpretable machine learning reveals biochar-specific hydraulic predictors of plant microbial fuel cell performance under unsaturated soil conditions

발밑의 흙을 단순히 흙이 아니라, 북적이는 보이지 않는 도시라고 상상해 보세요. 이 도시에서 작은 식물들은 태양빛을 흡수하여 뿌리로 달콤한 간식을 보내는 발전소 역할을 합니다. 흙 속에는 미생물 노동자들인 박테리아가 숨어 있는데, 이들은 이 간식을 먹고 그 과정에서 아주 작은 전기 불꽃을 방출합니다. 우리가 이 불꽃을 잡기 위해 특별한 장치를 만들면, 그것이 바로 "식물 미생물 연료 전지(PMFC)"가 됩니다. 이것은 광합성과 흙을 동력으로 움직이는 살아있는 배터리라고 생각하면 됩니다. 하지만 까다로운 점이 있습니다. 이 살아있는 배터리는 스펀지처럼 끊임없이 물에 젖어 있는 흙 속에서 작동한다는 것입니다. 토양이 마를수록 전기가 이동하는 "도로"가 변하게 되어, 전력 출력이 크게 요동치게 됩니다. 과학자들은 식물로 만든 숯과 같은 "바이오차(biochar)"를 흙에 섞어 넣어, 이것이 전기가 계속 흐를 수 있도록 돕는 스펀지나 고속도로 역할을 하기를 기대하며 이를 해결하려 노력해 왔습니다. 하지만 흙은 무질서하고 변화무쌍한 곳이며, 물, 숯, 그리고 박테리아가 어떻게 서로 협력하여 전력을 만드는지 정확히 파악하는 것은 그동안 일종의 추측 게임과 같았습니다.

여기서 연구진은 새로운 도구인 "머신러닝(기계 학습)"이라는 초스마트 컴퓨터 두뇌를 가지고 등장했습니다. 연구진은 단순히 단순한 차트를 살펴보는 대신, 흙이 하루하루 천천히 마르는 실험에서 얻은 방대한 양의 데이터를 컴퓨터에 입력했습니다. 그들은 컴퓨터가 토양의 수분 수치와 사용된 바이오차의 유형이 식물 배터리의 전력 생산량을 어떻게 예측할 수 있는지에 대한 비밀스러운 규칙을 학습할 수 있는지 알고 싶었습니다. 그들은 단순히 추측하는 것이 아니라, 어떤 요인이 이 시스템의 진짜 '보스'인지 알고 싶었습니다.

실험: 마르는 토양과의 경주

연구진은 작은 실험실 경주를 설정했습니다. 그들은 일반적인 수생 식물인 Hydrocotyle vulgaris를 화분에 심어 키웠습니다. 어떤 화분은 일반 흙(대조군)이었고, 다른 화분은 세 가지 다른 원료(사과 나무, 옥수수 줄기, 갈대 줄기)로 만든 바이오차를 5% 혼합한 특수 토양을 사용했습니다. 식물이 안정적인 전기를 생산할 때까지 4주 동안 키운 뒤, 물 주기를 중단했습니다.

토양이 자연스럽게 마르기 시작하자, 연구진은 탐정 역할을 수행하며 8시간마다 데이터를 기록했습니다. 그들은 온도, 습도, 토양 내 잔류 수분량, 그리고 물이 이동하기 얼마나 어려운지(토양의 "목마름 정도"와 같은 개념인 '매트릭 흡착력(matric suction)')를 추적했습니다. 가장 중요하게는 전기를 측정했습니다: 전압(밀어내는 힘), 전류(흐름), 그리고 전력(총 작업량)입니다.

컴퓨터의 탐정 업무

이 엄청난 숫자의 홍수를 이해하기 위해, 팀은 7가지 유형의 머신러닝 모델을 사용했습니다. 이 모델들을 서로 다른 종류의 탐정이라고 생각해 보세요. 어떤 탐정은 직선을 찾고, 어떤 탐정은 군집을 찾으며, "랜덤 포레스트(Random Forest)"와 같은 모델은 정답에 투표하는 전문가 팀과 같습니다. 그들은 편향(bias)이 도입되지 않도록 매우 주의해야 했습니다. 토양이 시간에 따라 마르기 때문에, 오늘의 데이터는 어제의 데이터와 매우 유사합니다. 만약 컴퓨터가 학습하는 동안 내일의 데이터를 "엿본다면", 이는 편향을 초해할 수 있습니다. 따라서 그들은 특정 시간 덩어리를 학습시키고 그 이후의 시간 덩어치로 테스트하는 특별한 "블록(blocked)" 방식을 사용하여, 모델이 단순히 기억력을 이용하는 것이 아니라 실제 패턴을 학습하도록 했습니다.

주요 발견: 실제로 중요한 것은 무엇인가?

컴퓨터의 조사 결과, 이 살아있는 배터리가 어떻게 작동하는지에 대한 놀라운 진실들이 밝혀졌습니다.

1. "밀어내는 힘"과 "전력"은 예측하기 가장 쉽습니다.
컴퓨터는 전위(전압의 밀어내는 힘)와 전력 밀도(총 에너지 출력)를 맞추는 데 뛰어났습니다. 전압은 약 60%, 전력은 약 **58%**의 정확도로 맞혔습니다. 하지만 전류(흐름)와 저항(흐름의 어려움)을 예측하는 데는 어려움을 겪었습니다. "밀어내는 힘"과 최종적인 "전력"은 매 순간 움직이는 전자들의 복잡한 세부 사항보다 더 명확한 규칙을 따르는 것으로 보입니다.

2. 토양의 "목마름"이 핵심 단서입니다.
모든 수분 측정값 중에서, 컴퓨터는 매트릭 흡착력(토양의 "목마름" 또는 토양이 물을 얼마나 꽉 붙잡고 있는지)이 가장 중요한 연속적 예측 변수라는 것을 찾아냈습니다. 단순히 물이 얼마나 있느냐(체적 함수율)의 문제가 아니라, 토양이 그 물을 얼마나 강하게 끌어당기고 있느냐가 중요했습니다. 토양이 목말라질수록, 컴퓨터가 추적할 수 있는 방식으로 전기가 변했습니다.

3. "갈대 줄기"의 승리.
바이오차의 종류와 관련하여, 컴퓨터는 갈대 줄기 바이오차 처리가 단일 가장 강력한 예측 변수임을 확인했습니다. 이 특정 혼합물이 가장 높은 전기를 생산했습니다. 컴퓨터는 만약 토양에 갈대 줄기 바이오차가 있다면, 사과 나무나 옥수수 줄기보다 훨씬 높은 전력 출력을 기대할 수 있다는 것을 학습했습니다. 사실, 갈대 줄기 처리는 너무나 독특해서 컴퓨터가 좋은 예측을 하기 위해서는 토양이 "어느 팀"에 속해 있는지 반드시 알아야 할 정도였습니다.

4. "선수"보다 "팀"이 더 중요합니다.
연구진은 또한 DNA 시퀀싱을 통해 토양에 사는 박테리아를 조사했습니다. 그들은 갈대 줄기 토양의 박테리아는 매우 다양하지만, 사과 나무 토양에는 특정 "스타" 박테리아가 많다는 것을 발견했습니다. 하지만 반전이 있었습니다. 가장 풍부했던 박테리아가 항상 가장 높은 전기를 만들어내는 것은 아니었습니다. 컴퓨터는 DNA 데이터가 8시간마다 측정된 것이 아니라 맨 마지막에만 수집되었기 때문에, 박테리아를 직접적인 예측 변수로 사용하지 않았습니다. 그러나 데이터는 특정 "슈퍼 박테리아"가 있는 것보다 전체적인 커뮤니티 구조(박테리아 도시가 얼마나 다양한지)가 전력에 더 중요할 수 있음을 시사합니다.

한계: 컴퓨터가 "할 수 없었던 것"

연구는 몇 가지 사항에 대해서도 선을 그었습니다. 컴퓨터는 본 적 없는 새로운 유형의 바이오차의 전기를 예측할 수 없었습니다. 연구진이 학습 중에 한 종류의 바이오차를 숨겨서(테스트하여) 모델을 테스트했을 때, 모델은 실패하여 음수의 정확도를 기록했습니다. 이는 컴퓨터가 자신이 본 특정 바이오차들의 "성격"은 학습했지만, 어떤 바이오차에도 적용될 수 있는 보편적인 물리 법칙을 학습하지는 못했다는 것을 의미합니다. 이는 마치 특정 시험의 답을 통째로 외웠지만, 숫자가 바뀐 새로운 문제는 풀지 못하는 학생과 같습니다.

시사점

그렇다면 이것이 살아있는 배터리의 미래에 어떤 의미가 있을까요? 연구는 만약 여러분이 건조한 토양에서 신뢰할 수 있는 식물 동력 장치를 만들고 싶다면, 단순히 추측해서는 안 된다는 것을 보여줍니다. 토양이 얼마나 목마른지(매트릭 흡착력)와 어떤 특정 유형의 바이오차를 사용하는지를 정확히 알아야 합니다. "갈대 줄기" 바이오차는 전기가 계속 흐르게 하는 데 있어 승자로 보이며, 이는 아마도 물과 이온을 보유하는 방식이 박테리아 노동자들을 행복하게 하고 전기 도로를 열어두기 때문일 것입니다.

컴퓨터 모델이 아직 완벽하지는 않지만(미래를 100% 정확하게 예측할 수는 없습니다), 모델은 우리에게 지형에 대한 훨씬 더 명확한 지도를 제공했습니다. 모델은 물, 토양, 그리고 전기 사이의 관계가 복잡하고 비선형적이라는 것을 보여주지만, 적절한 도구가 있다면 우리는 이 살아있는, 숨 쉬는 발전소의 규칙을 이해하기 시작할 수 있습니다. 다음 단계는 과학자들이 "팀 라벨"을 바이오차의 구체적인 특성 측정값으로 대체하여, 컴퓨터가 보편적인 규칙을 학습하고 더 나은, 더 푸른 배터리를 만드는 데 도움을 주는 것입니다.