Topology-aware AI for porous materials: from structural representation to counterfactual testing and inverse design

다공성 물질은 현대 기술의 숨은 영웅으로서, 깨끗한 물 필터부터 효율적인 배터리에 이르기까지 모든 것이 작동하게 만드는 미세한 스펀지 역할을 합니다. 이러한 물질은 무엇으로 만들어졌느냐뿐만 아니라, 그 내부의 빈 공간에 의해 정의됩니다. 대부분 구멍으로 이루어진 바위라고 상상해 보십시오. 그 구멍의 크기도 중요하지만, 그 구멍들이 서로 어떻게 연결되어 있는지도 중요합니다. 그것들은 직선 복도와 같습니까, 뒤엉킨 미로와 같습니까, 아니면 막다른 방들의 연속과 같습니까? 수십 년 동안 더 나은 재료를 설계하려는 과학자들은 전체 빈 공간의 양이나 평균 구멍 크기와 같은 단순한 숫자에 의존해 왔습니다. 이 숫자들은 측정하기 쉽고 컴퓨터 프로그램에서 사용하기 쉽지만, 이야기의 절반만을 말해줄 뿐입니다. 두 물질은 정확히 같은 양의 빈 공간과 동일한 평균 구멍 크기를 가질 수 있지만, 하나는 연결된 경로의 네트워크를 가지고 있고 다른 하나는 분자가 갇혀버리는 고립된 주머니들로 가득 차 있기 때문에 완전히 다르게 행동할 수 있습니다.

단순한 숫자와 물질 내부에서 무언가가 이동하는 복잡한 현실 사이의 이러한 간극은 라이프치히 대학교의 연구자인 헨리 R. N. B. 엔닌풀(Henry R. N. B. Enninful)이 제시한 새로운 관점의 핵심입니다. 이 논문은 새로운 재료를 발견하는 강력한 도구가 된 인공지능 분야가 벽에 부딪혔다고 주장합니다. 컴퓨터는 재료의 성능을 예측하는 데 점점 더 능숙해지고 있지만, 종종 기공의 숨겨겨진 구조를 진정으로 이해하기보다는 단순한 패턴을 암기함으로써 성공하곤 합니다. 저자는 컴퓨터 모델이 표면적인 통계에 기반해 추측하는 것이 아니라, 내부 경로가 실제로 어떻게 연결되어 있는지를 학습했는지 확인하기 위해 새로운 방식의 테스트가 필요하다고 제안합니다. 제안된 해결책은 '역사실적 위상학적 쌍둥이(counterfactual topology twins)'라고 불리는 것을 이용한 엄격한 스트레스 테스트입니다.

이 쌍둥이의 핵심 아이디어는 표준 컴퓨터 프로그램에는 동일해 보이지만 내부 배선은 비밀스럽게 다른 한 쌍의 재료를 만드는 것입니다. 실제 상황에서 이것은 표면적, 기공 부피, 화학적 조성이 동일하지만, 한 샘플은 고도로 연결된 채널 네트워크를 가지고 있고 다른 샘플은 많은 막다른 길을 가진 두 샘-플을 다루는 것을 의미할 수 있습니다. 단순한 숫자에 의존하도록 학습된 컴퓨터 모델은 이 두 샘플을 동일한 것으로 보고 동일하게 행동할 것이라고 예측할 것입니다. 그러나 연결성에 대해 진정으로 학습한 모델은 그 차이를 포착하여, 연결된 경로를 가진 재료가 유체나 기체를 훨씬 더 빠르게 통과시킬 것임을 예측할 수 있어야 합니다. 인공지능이 이 거의 동일한 쌍둥이들을 구별할 수 있는지 테스트함으로써, 연구자들은 컴퓨터가 수송을 지배하는 구조적 규칙을 학습했는지, 아니면 익숙한 숫자에 기반해 운 좋게 맞춘 것인지를 마침로 확인할 수 있습니다.

이 논문은 과학자들이 컴퓨터에 재료를 표현하는 현재의 지형을 조사합니다. 저자는 우리가 단순한 숫자 목록에서부터, 빈 공간의 형상을 언덕과 골짜기의 풍경처럼 매핑하는 3D 이미징 및 위상학적 분석과 같은 더 복잡한 방법으로 이동해 왔음을 언급합니다. 그러나 이러한 방법 중 어느 것도 모델이 이동의 물리학을 이해한다는 것을 보장하지는 않습니다. 저자는 많은 현재 연구들이 재료의 구조와 성능 사이의 상관관계를 보여주지만, 상관관계가 이해의 증거는 아니라고 지적합니다. 모델은 기공이 어떻게 연결되어 있는지를 전혀 파악하지 못한 채, 특정 유형의 화학적 조성을 인식하는 법을 배웠다는 이유만으로 결과를 정확하게 예측할 수도 있습니다. 이를 해결하기 위해, 논문은 단순한 무작위 테스트를 넘어선 새로운 검증 표준을 제안합니다. 모델에게 단순히 표준 데이터셋에 대한 정답을 맞히라고 요구하는 대신, 과학자들은 기공의 연결성만이 변수로 작용하는 이러한 쌍둥이 쌍들로 모델에 도전해야 합니다.

이러한 접근 방식은 데이터가 수집되고 공유되는 방식의 변화를 요구합니다. 저자는 미래의 연구들이 재료에 대한 단일한 숫자 세트만을 보고하는 것이 아니라, 그들을 구축하는 데 사용된 원본 이미지나 3D 모델을 다양한 해석 방식과 함께 포함해야 한다고 제안합니다. 이는 현미경 이미지로부터 기공의 지도를 그리는 과학자의 방식이 결과적으로 나타나는 네트워크를 바꿀 수 있기 때문에 매우 중요합니다. 이러한 다양한 가능성을 추적하고 모델을 테스트함으로써, 이 분야는 인공지능이 실제로 무엇을 학습했는지에 대한 더 정직한 평가로 나아갈 수 있습니다. 또한 논문은 이 연구의 목표가 단순히 재료가 어떻게 작동할지 예측하는 것이 아니라, 궁극적으로 새로운 재료를 처음부터 설계하는 것이라고 강조합니다. 만약 컴퓨터가 연결성을 신뢰할 수 있다면, 특정 오염 물질을 걸러내거나 에너지를 더 효율적으로 저장하는 것과 같은 특정 작업을 위해 열린 경로와 막힌 경로의 완벽한 균형을 갖춘 새로운 구조를 제안할 수 있을 것입니다.

이 관점에 따르면, 앞으로의 길은 발견의 폐쇄 루프(closed loop)를 포함합니다. 과학자들은 재료의 구조에 대한 그림을 그리기 위해 여러 유형의 측정을 사용할 것이며, 그런 다음 이 쌍둥이 테스트를 사용하여 컴퓨터 모델이 적절한 특징에 민감한지 검증할 것입니다. 만약 모델이 쌍둥이 테스트에서 실패한다면, 이는 모델이 재료가 작동하는 방식에 대해 중요한 무언가를 놓치고 있음을 드러냅니다. 이 실패는 매우 가치 있는데, 왜냐하면 그것이 연구자들에게 다음 단계로 어디를 살펴봐야 할지, 즉 재료를 측정하는 방식인지 아니면 컴퓨터를 가르치는 방식인지를 정확히 알려주기 때문입니다. 궁극적인 목표는 보이지 않는 다공성 재료의 구조를 설계 가능한 변수로 바꾸어, 엔지니어들이 우연히 발견하기를 바라는 것이 아니라 특정한 내부 네트워크를 가진 재료를 직접 설계할 수 있도록 하는 것입니다.

이 논문은 이 방법이 이미 재료 설계 문제를 해결했다고 주장하는 것이 아니라, 그곳에 도달하기 위한 명확한 로드맵을 제공합니다. 저자는 차세대 재료 과학의 인공지능이 단순히 숫자를 예측하는 능력이 아니라, 구조에 대해 추론하는 능력에 대해서도 감사를 받아야 한다고 제안합니다. 이러한 역사실적 쌍둥이를 사용함으로써, 커뮤니티는 진정으로 다공성 공간의 물리학을 이해하는 모델과 단순히 패턴 매칭을 하는 모델을 구분할 수 있습니다. 이 구분은 분자가 미세한 공간을 통해 이동하는 기술에 의존하는 기술의 미래에 필수적이며, 우리가 만드는 재료가 이론적으로 타당할 뿐만 아니라 실제 세계에서 기능적으로 견고함을 보장합니다. 이 연구는 인공지능이 재료 발견의 다음 물결을 안내할 때 더 엄격한 테스트 표준을 채택하도록 촉구하는 행동 촉구의 역할을 합니다.