-
세계 최대 컴퓨터학회에서 처음 5편 논문 발표
세계 최대 컴퓨터 학회에서 주간한 학술대회(PLDI)에서 2012년에 한국에서 처음 논문을 발표한 이래, KAIST 연구진이 처음으로 3편 이상의 논문을 발표하여 화제다.
우리 대학 전산학부 강지훈 교수, 류석영 교수 연구팀이 프로그래밍 언어 분야 최고 권위 학술대회인 PLDI에서 올해 발표될 89편의 논문 중 6.7%인 5편의 논문을 발표했다고 3일 밝혔다.
PLDI(Programming Language Design and Implementation)는 세계 최대 컴퓨터 학회인 ACM(Association for Computing Machinery)이 주관하는 학술대회로, 지난 45년간 전산학 전체에 깊은 영향을 미치는 중요한 논문이 다수 발표된 유서 깊은 학술대회다. 프로그래밍 언어와 컴파일러 등 소프트웨어 전반의 기초가 되는 핵심 기술을 발표하고 있다.
이번 학회에 발표되는 5개의 논문은 아래와 같다.
1) 멀티코어 컴퓨팅 시스템에서 동작하는 고성능 병렬 자료구조가 사용을 마친 메모리를 수집하기 위해 다양한 기법을 제안 2) 멀티코어 컴퓨팅 시스템에서 성능을 높이기 위해 운영체제, 데이터베이스 등 고성능 시스템 소프트웨어의 안전성을 현실적으로 증명할 수 있는 토대 마련 3) 시스템 반도체의 논리적인 청사진이라 할 수 있는 RTL(register-transfer level) 설계 및 검증비용을 획기적으로 줄일 수 있는 프로그래밍 언어 개발 4) 빠르지만 안정성이 취약한 C 언어로 작성된 프로그램을 더 안전한 러스트(Rust) 언어로 작성된 프로그램으로 자동 변환하는 연구 5) 산업계에서 가장 널리 사용하는 자바스크립트 프로그래밍 언어의 공식 개발 과정에 적용한 기술(https://www.kaist.ac.kr/news/html/news/?mode=V&mng_no=36610)을 기반으로 웹어셈블리 언어에 특화한 연구
강지훈 교수는 “5편의 논문은 각각 학생들이 오랫동안 정성껏 연구한 결과를 담아 뛰어난 독창성과 실용성을 동시에 갖춘 우수한 논문들”이라면서 “이 논문들이 앞으로 지속적으로 프로그래밍 언어와 인접 전산학 분야, 그리고 더 나아가서 산업계에 깊은 영향을 미칠 수 있도록 후속 연구에 정진할 것”이라고 포부를 밝혔다.
류석영 교수는 “반도체, 운영체제, 클라우드 등 인프라부터 사용자에게 제공하는 서비스까지 모두를 아우르는 풀 스택 소프트웨어를 안전하고 올바르게 동작하도록 설계하고 개발하는 세계적인 기술을 선보인 결과”라며, “소프트웨어가 이끄는 세상에서 더 안전하고 올바르게 동작하는 소프트웨어를 사용할 수 있기를 기대한다”고 말했다.
5편의 논문은 한국 시각으로 6월 21일에 PACMPL(Proceedings of the ACM on Programming Languages) 저널에 게재됐고 6월 25일부터 27일 사이에 진행된 PLDI 2024 학술대회에서 발표됐다.
(논문 제목: ① Concurrent Immediate Reference Counting, ② A Proof Recipe for Linearizability in Relaxed Memory Separation Logic, ③ Modular Hardware Design of Pipelined Circuits with Hazards, ④ Don't Write, but Return: Replacing Output Parameters with Algebraic Data Types in C-to-Rust Translation, ⑤ Bringing the WebAssembly Standard up to Speed with SpecTac)
한편 이번 연구는 한국연구재단 선도연구센터, 중견연구자지원사업 및 우수신진연구자지원사업, 정보통신기획평가원(IITP), 삼성전자 미래기술육성센터의 지원을 받아 수행됐다.
2024.07.03
조회수 2591
-
챗MOF로 96.9% 금속 유기 골격체 물성 예측하다
우리 대학 연구진이 챗GPT를 활용해 큰 다공성, 높은 표면적, 그리고 뛰어난 조절 가능성으로 많은 화학 응용 분야에서 사용되는 금속 유기 골격체의 특성을 예측하고 새로운 재료를 자동으로 생성하는 챗봇 시스템(이하 챗MOF)을 개발했다. 챗MOF는 검색 및 예측 작업에서 각각 96.9% 및 95.7%의 높은 성공률을 보여 화제다.
생명화학공학과 김지한 교수 연구팀이 인공지능(AI)의 급격한 발전에 주목하며, 대규모 언어 모델(이하 LLMs) 활용을 통해 금속 유기 골격체(Metal-Organic Frameworks, MOFs)의 특성을 예측하고 새로운 재료를 자동으로 생성하는 챗봇 시스템(ChatMOF)을 개발했다고 26일 발표했다.
최근 인공지능(AI)의 발전에는 큰 도약이 있었지만 재료 과학에서의 LLM의 잠재력을 완전히 실현하기에는 여전히 물질의 복잡성과 재료별 특화된 훈련 데이터의 부족이라는 한계점이 존재했다.
김지한 교수 연구팀이 개발한 챗MOF는 재료 분야에서 전통적인 머신러닝 모델과 LLM을 결합한 혁신적인 접근 방식으로 계산 및 머신러닝 도구에 대한 초보자들과의 격차를 상당히 줄일 수 있는 잠재력을 가지고 있다.
또한 이 독특한 시스템은 인공지능의 변혁적인 능력과 재료 과학의 복잡한 측면들을 연결하며, 다양한 작업에서 뛰어난 성능을 보여준다. 챗MOF는 검색 및 예측 작업에서 각각 96.9% 및 95.7%의 높은 성공률을 보고한다. 한편, 더 복잡한 구조 생성 작업은 그 복잡함에도 불구하고 주목할 만한 87.5%의 정확도를 달성한다. 이러한 유망한 결과는 챗MOF가 가장 요구가 많은 작업을 관리하는 데도 효과적임을 강조한다.
김지한 교수는 “연구팀이 개발한 기술은 재료 과학 분야에서 인공지능의 더 높은 자율성을 달성하기 위한 중요한 진전을 나타낸다. 기술이 발전함에 따라, 모델 용량과 온라인 플랫폼에서의 데이터 공유에 대한 체계적인 개선을 통해 챗MOF의 성능을 더욱 최적화할 수 있으며, 이는 금속 유기 골격체 연구 분야에서 놀라운 진전을 촉진할 수 있다.”라고 말했다.
생명화학공학과 강영훈 박사과정이 제1 저자로 참여한 이번 연구 결과는 국제 학술지 `네이처 커뮤니케이션즈(Nature communications)'에 지난 6월 3일 게재됐다. (논문명: ChatMOF: An Artificial Intelligence System for Predicting and Generating Metal-Organic Frameworks Using Large Language Models)
한편 이번 연구는 과학기술정보통신부의 지원으로 국가 소재 연구 데이터 사업단, 그리고 한국연구재단 (NRF) 중견 연구자 지원 사업의 지원을 받아 수행됐다.
2024.06.26
조회수 3337
-
단백질 ‘생산 설계도’ 보호하는 RNA 조절 기전 찾았다
생명체는 DNA, RNA, 단백질과 같은 바이오분자들의 조절 작용으로 다양한 생물학적 기능을 수행한다. 바이오분자들의 조절로 유전 정보가 전달되고, 잘못 전달된 정보는 유전자 변형이나 감염성 질병의 원인이 된다. 따라서 분자생물학적 조절 연구는 유전자 치료제와 첨단 백신 개발에 중요하다. 특히, 2023년 코로나 mRNA 백신 기술을 개발한 과학자들이 노벨 생리의학상을 수상하면서 RNA 조절 연구에 기반한 첨단신약, 바이오공학 기술이 크게 주목받고 있다.
우리 대학 바이오및뇌공학과 이영석 교수 연구팀이 기초과학연구원(IBS) RNA 연구단 김빛내리 단장(서울대 생명과학부 석좌교수), 미국 국립암연구소 유진 발코프(Eugene Valkov) 박사팀과 공동연구를 통해 자체 개발한 단일핵산 분석법을 적용해 전령 RNA(messenger RNA, 이하 mRNA) 분해의 새로운 조절 기전을 찾았다고 밝혔다.
mRNA는 긴 단일 가닥 RNA 분자로, DNA에 보관된 유전 정보를 단백질에 전달하는 매개체로서 마치 단백질의 ‘생산 설계도’와 같다. 예를 들어, 코로나 mRNA 백신은 약 4,000개의 RNA 분자로 이루어져 있으며, 코로나 스파이크 단백질의 유전 정보와 다양한 RNA 변형을 활용해 스파이크 단백질 생산을 조절하도록 설계되어 있다. 결국 RNA 기능과 조절에 따라 유전자 치료제 및 mRNA 백신의 효능이 결정된다.
연구진은 다양한 RNA 조절 인자 중 특히 mRNA 꼬리에 주목해 왔다. mRNA는 말단에 50-150개의 아데닌 염기로 구성된 긴 꼬리를 갖는데, mRNA를 보호하고 단백질 합성을 촉진하는 역할을 한다. 그동안 이 꼬리는 아데닌으로만 구성된 것으로 알려졌지만, 연구진은 지난 연구에서 비(非) 아데닌 염기가 추가된 ‘혼합 꼬리(Mixed tail)’가 존재한다는 사실을 보고하였고, 이 혼합 꼬리가 mRNA의 분해를 막는 역할을 하여 유전자 활성을 높이는 데 기여함을 밝힌 바 있다.
그러나 RNA 변형의 결과인 mRNA 꼬리는 그 변형의 특이적인 행태로 인해 생화학 실험과 정량적 분석에 어려움이 있었다. 또한, 50-150개 RNA 분자의 연속적인 변형에 대한 단일염기 분석이 필요하여 mRNA 혼합 꼬리 조절 기전 연구에 제한이 있었다.
이를 해결하기 위해 연구진은 미국 국립암연구소 유진 발코프 박사 연구팀과 함께 mRNA 꼬리 조절 연구를 위한 단일핵산 분석법을 개발했다. 이어 이 분석법을 활용하여 세계 최초로 mRNA 꼬리가 분해되는 속도를 단일핵산 단위로 측정하는데 성공, mRNA 꼬리의 새로운 분해 기전을 규명했다.
연구진은 mRNA 분해를 유도하는 탈아데닐 복합체(CCR4-NOT)를 이용한 탈아데닐화 시스템을 개발하고 단일 염기 단위의 분해 반응을 수학적으로 모델링하여 혼합 꼬리 분해 효과를 정량화했다. 그 결과, 탈아데닐 복합체의 진행이 지연되는 위치를 확인할 수 있었으며, 복합체의 구성 요소들이 비 아데닌 염기에 의해 특정 위치에서 막혀 분해 속도가 조절되는 것을 밝혔다. 즉, 비 아데닌 염기가 일종의 ‘과속 방지턱’ 역할을 한다는 것을 입증한 것이다.
김빛내리 단장은 “mRNA 혼합 꼬리 조절에 대한 이해를 확장해 mRNA 안정성 조절과 유전자 발현 메커니즘에 대한 새로운 통찰을 제공했다”라며, “혼합 꼬리에 기반한 다양한 유전자 치료법 연구와 RNA 첨단 신약 개발에 기여할 것”이라고 말했다.
우리 대학 바이오및뇌공학과 이영석 교수는 “이번 연구는 분자생물학, 생화학 및 수학 분야가 만나 이룬 융합 연구의 결실”이라며, “미래 바이오공학 및 첨단바이오 분야 발전을 위한 공동연구의 중요성을 시사한다”라고 연구의 의의를 밝혔다.
이번 연구결과는 국제 학술지 ‘네이처 구조 분자생물학(Nature Structural & Molecular Biology, IF=16.8)’에 지난 2월 19일 게재됐다.
2024.02.28
조회수 3557
-
하운드(Hound) 로봇, 100m를 19.87초 주파, 기네스 기록
우리 대학 기계공학과의 박해원 교수 연구팀이 제작한 사족 로봇 하운드(Hound)의 사족 보행 로봇의 100m 달리기 기록이 기네스 세계 기록으로 인정받았다고 15일 밝혔다.
하운드(Hound)는 KAIST 동적 로봇 설계 및 제어 연구실(Dynamic Robot Control and Design Laboratory)에서 제작된 로봇으로, 지난 2023년 10월 26일에 측정된 실험을 통해 정지 상태에서 출발해 100미터 선을 19.87초 만에 통과한 후 완전히 멈추는 데 성공했다. 이 성과는 AI 방법론 중 하나인 강화학습을 이용해 시뮬레이션 가상환경에서 훈련된 단일 제어기를 통해 달성됐다.
연구팀은 하운드(Hound) 로봇이 고속으로 달릴 수 있도록, 액추에이터 출력의 한계를 최대한 이용하기 위해, 모터가 최대로 낼 수 있는 한계 토크와 속도 특성을 강화학습에 활용했다. 또한, 대칭적인 걸음새를 통해 모터의 출력을 고르게 분배하고, 로봇의 빠른 움직임을 위해 경량 발바닥을 설계했다. 이러한 종합적인 설계와 제어에 대한 접근방식을 통해 하운드(Hound)는 빠른 속도로 100미터를 주파할 수 있었다.
하운드(Hound)의 100미터 달리기 기록은 우리 대학 대운동장의 실외 육상 트랙에서 공식적으로 측정됐다.
하운드(Hound)는 실외뿐만 아니라 실내 러닝머신 위에서 6.5m/s (시속 23.4km)의 주행 속도를 기록했다. 이는 전기 모터 기반 사족 로봇의 최고속도이며, 기존 메사추세츠 공과대학교(MIT)의 치타 2(Cheetah 2)의 6.4m/s를 뛰어넘는 기록이다. 박해원 교수 연구팀은 이 성과 또한 기네스 기록 인증을 신청 중이다.
연구 책임자인 기계공학과 박해원 교수는 “KAIST의 기술로 직접 설계 제작된 사족 보행 로봇과 AI 학습 기반 제어기로 보행 로봇 세계 최고속도를 세움으로써 우리나라의 로봇 하드웨어 기술 및 로봇제어 AI 기술이 세계 최고 수준을 보여줬다는 데 의의가 있다”이라고 소감을 전했다.
한편 이번 연구는 2019년 국방과학연구소 미래도전국방기술 연구개발사업(912768601)의 지원을 받아 수행됐다.
기네스 기록 홈페이지 링크 : https://www.guinnessworldrecords.com/world-records/625586-fastest-100-m-by-a-quadrupedal-robot
기네스 Youtube 계정에 올라온 영상 : https://www.youtube.com/shorts/sdF1cn7iX0g
2023.12.15
조회수 4065
-
2.4배 가격 효율적인 챗GPT 핵심 AI반도체 개발
오픈AI가 출시한 챗GPT는 전 세계적으로 화두이며 이 기술이 가져올 변화에 모두 주목하고 있다. 이 기술은 거대 언어 모델을 기반으로 하고 있다. 거대 언어 모델은 기존 인공지능과는 달리 전례 없는 큰 규모의 인공지능 모델이다. 이를 운영하기 위해서는 수많은 고성능 GPU가 필요해, 천문학적인 컴퓨팅 비용이 든다는 문제점이 있다.
우리 대학 전기및전자공학부 김주영 교수 연구팀이 챗GPT에 핵심으로 사용되는 거대 언어 모델의 추론 연산을 효율적으로 가속하는 AI 반도체를 개발했다고 4일 밝혔다.
연구팀이 개발한 AI 반도체 ‘LPU(Latency Processing Unit)’는 거대 언어 모델의 추론 연산을 효율적으로 가속한다. 메모리 대역폭 사용을 극대화하고 추론에 필요한 모든 연산을 고속으로 수행 가능한 연산 엔진을 갖춘 AI 반도체이며, 자체 네트워킹을 내장하여 다수개 가속기로 확장이 용이하다. 이 LPU 기반의 가속 어플라이언스 서버는 업계 최고의 고성능 GPU인 엔비디아 A100 기반 슈퍼컴퓨터보다 성능은 최대 50%, 가격 대비 성능은 2.4배가량 높였다. 이는 최근 급격하게 생성형 AI 서비스 수요가 증가하고 있는 데이터센터의에서 고성능 GPU를 대체할 수 있을 것으로 기대한다.
이번 연구는 김주영 교수의 창업기업인 ㈜하이퍼엑셀에서 수행했으며 미국시간 7월 12일 샌프란시스코에서 진행된 국제 반도체 설계 자동화 학회(Design Automation Conference, 이하 DAC)에서 공학 부문 최고 발표상(Engineering Best Presentation Award)을 수상하는 쾌거를 이뤘다.
DAC은 국제 반도체 설계 분야의 대표 학회이며, 특히 전자 설계 자동화(Electronic Design Automation, EDA)와 반도체 설계자산(Semiconductor Intellectual Property, IP) 기술 관련하여 세계적인 반도체 설계 기술을 선보이는 학회다. DAC에는 인텔, 엔비디아, AMD, 구글, 마이크로소프트, 삼성, TSMC 등 세계적인 반도체 설계 기업이 참가하며, 하버드대학교, MIT, 스탠퍼드대학교 등 세계 최고의 대학도 많이 참가한다.
세계적인 반도체 기술들 사이에서 김 교수팀이 거대 언어 모델을 위한 AI 반도체 기술로 유일하게 수상한 것은 매우 의미가 크다. 이번 수상으로 거대 언어 모델의 추론에 필요한 막대한 비용을 획기적으로 절감할 수 있는 AI 반도체 솔루션으로 세계 무대에서 인정받은 것이다.
우리 대학 김주영 교수는 “미래 거대 인공지능 연산을 위한 새로운 프로세서 ‘LPU’로 글로벌 시장을 개척하고, 빅테크 기업들의 기술력보다 우위를 선점하겠다”라며 큰 포부를 밝혔다.
2023.08.04
조회수 5693
-
인공지능 활용 고용량 배터리 소재 역설계 기술 개발
우리 대학 신소재공학과 홍승범 교수 연구팀이 우리 대학 조은애 교수, 변혜령 교수, 이혁모 교수, 신종화 교수, 육종민 교수, 그리고 미국의 르하이 대학교(Lehigh University), 죠수아 C 에이가(Joshua C. Agar) 교수와 협업해 기존 문헌에 발표된 실험값들을 추출하는 데이터 마이닝 과정과 이런 실험값들을 입력변수로 하는 다변수 선형회귀 모형을 기반으로 배터리 소재 역설계 머신러닝(기계학습) 모델을 수립했다고 23일 밝혔다.
인공지능은 고차원의 변수 공간에서 각 매개변수 간의 정량적인 상관관계를 신속하고 정확하게 추출할 수 있다. 이를 공정-구조-물성 간의 상관관계를 기반으로 발전하는 신소재공학에 적용하면 신소재 개발 시간을 단축할 수 있으며, 이런 이유로 많은 연구자가 인공지능을 신소재 개발에 활용하려고 노력하고 있다. 특히, 배터리 소재 개발에 인공지능을 활용하는 예가 가장 많은데, 주로 제1 원리 계산(양자화학에 기반한 계산법으로 계산 시 다른 경험적 수량을 전혀 사용하지 않음)과 머신러닝을 융합해 수많은 전극 소재 조합을 대량으로 스크리닝하는 기술 개발이 주를 이루고 있다.
그런데, 인공지능을 활용해서 새로운 배터리 소재를 탐색하고, 탐색한 소재를 합성 및 특성 평가에 있어 가장 큰 문제점은 데이터의 신뢰성과 양이다. 제1 원리 계산으로 예측한 값들은 실험으로 검증이 돼야 하며, 실험데이터의 경우 실험실마다 편차가 있고, 중요한 공정변수들을 공개하지 않은 경우가 많아 인공지능이 학습할 수 있는 데이터의 크기가 한정적이라는 문제가 대두되고 있다.
연구팀은 배터리 양극재 원료조성, 1차 및 2차 소결 온도와 시간 등의 공정 변수와 컷오프 전위 및 충․방전률과 같은 측정 변수, 그리고 1차 및 2차 입자의 크기와 같은 구조 변수, 마지막으로 충․방전 용량과 같은 성능 변수 간의 상관관계를 정량적으로 수립했고, 이를 활용해 요구되는 에너지 용량에 맞는 합성 조건을 찾는 알고리즘을 개발했다.
홍 교수 연구팀은 고니켈 함량 양극재 관련 논문 415편 안에 발표된 주요 변수들을 추출하고, 그중 16% 정도의 정보가 기입되지 않음을 발견했으며, 머신러닝 기법 중에서 k-최근접 이웃 알고리즘(k-nearest neighbors (KNN)), 랜덤 포레스트(random forest (RF)), 연쇄등식을 이용한 다중대치(multiple imputations by chained equations (MICE))를 활용해 빠진 정보를 예측하여 기입했다. 그리고, 가장 신뢰도가 높은 MICE를 선택해 얻은 입력 데이터 셋을 기반으로 주어진 공정 및 측정 변수에 대해서 성능 변수를 예측하는 순방향 모델을 얻었다.
이어서 입자 군집 최적화(particle swarm optimization, PSO) 알고리즘을 활용하여 주어진 성능 변수에 대응하는 공정 및 측정 변수를 추출하는 역방향 모델을 수립했고, 이 모델을 검증하기 위해 소재를 실제로 합성하여 타깃 용량인 200, 175, 150 mAh/g과 11% 정도의 오차를 보여 상당히 정확하게 역설계할 수 있음을 입증했다.
교신 저자인 홍승범 교수는 "인공지능을 활용해 대량의 논문 및 특허 내에 있는 공정-구조-물성 변수들을 자동으로 분류하고 실험값들을 추출해 각 변수 간의 다차원 상관관계를 기반으로 모델을 수립하는 것이 차세대 배터리 소재의 역설계의 핵심ˮ이라며 "향후 데이터 마이닝 기술, 머신러닝 기술 그리고 공정 자동화 기술을 융합하는 것이 미래의 신소재공학ˮ이라고 말했다.
신소재공학과 치 하오 리오우(Chi Hao Liow) 박사가 제1 저자로 참여한 이번 연구는 국제 학술지 `나노에너지(Nano Energy)'에 게재됐다. (논문명: Machine learning assisted synthesis of lithium-ion batteries cathode materials)
한편 이번 연구는 KAIST 글로벌 특이점 사업의 지원을 받아 수행됐다.
2022.08.23
조회수 7020
-
촉매 반응 활성도의 정량적 분석이 가능한 측정 플랫폼 개발
우리 대학 신소재공학과 정우철 교수, 기계공학과 이강택 교수와 충남대학교 김현유 교수 공동 연구팀이 촉매 반응점 탐색 및 각 지점의 활성을 정량적으로 측정할 수 있는 금속 나노입자 기반 분석 플랫폼 개발에 성공했다고 28일 밝혔다.
촉매란 반응 과정에서 소모되거나 변하지 않으면서 반응 속도를 빠르게 만드는 물질을 말하며, 반응에 참여하지만 소모되지 않기 때문에 소량만 있어도 반응 속도에 지속적으로 영향을 미칠 수 있는 물질이다. 반응을 빠르게 하는 촉매 반응은 더 적은 활성화 에너지를 필요로 하기 때문에 다양한 산업에 활용되고 있다. 백금 등을 이용해 화석 연료의 연소로 인해 발생하는 배기가스의 해로운 부산물을 분해하는 반응을 예로 들 수 있다.
연구팀은 균일한 크기의 금속 나노입자 합성 기술과 3차원 전자 단층촬영 기법을 활용해 촉매 핵심 반응점인 금속-가스-산화물 및 금속-가스상 접합 계면의 수를 정량적으로 분석했으며, 이 같은 결과를 측정된 촉매 반응성과 연계시키는 방식으로 촉매 반응 활성도의 정량적 분석이 가능한 측정 플랫폼을 설계했다. 이러한 기술은 특정 반응에 활용이 제한되지 않기 때문에 향후 여러 촉매 반응 분야에 폭넓게 응용 및 적용될 수 있을 것으로 기대된다.
신소재공학과 이시원, 하현우 박사후연구원, 기계공학과 배경택 박사과정생 공동 제1 저자로 참여한 이번 연구는 재료화학분야 국제 학술지 `켐(Chem, IF=22.804)'에 12월 23일 자 온라인판에 게재됐다. (논문명 : A measure of active interfaces in supported catalysts for high-temperature reactions).
금속 나노입자 촉매는 매우 적은 양으로 우수한 촉매 활성을 보일 수 있다는 가능성으로 에너지·환경 등 여러 분야에서 큰 관심을 받고 있다.
하지만 나노입자로 구성된 촉매 소재는 높은 작동온도에서 서로 응집되는 특성이 있으며 이는 결과적으로 촉매 활성을 저해하는 한계로 작용한다. 그뿐만 아니라, 실제 반응 작동 환경에서 금속 입자 촉매의 구체적인 반응 활성 지점이 어디인지, 각 지점에서의 반응활성도는 얼마나 되는지 그 양을 정량적으로 비교·분석할 수 있는 기술이 없어 해당 분야 발전에 한계가 있었다.
연구팀은 문제 해결을 위해 균일한 크기로 금속 나노입자 촉매를 합성해 입자의 구조를 제어하는 데 성공했으며, 이를 산화물 막으로 감싸는 코팅기술을 적용해 고온에서 나노입자가 응집되는 현상을 해결했다. 여기에 3차원 전자 단층촬영 기법, 스케일링 관계식, 그리고 밀도범 함수 이론을 적용하고 이를 다양한 조건에서 측정한 반응성과 연계시킴으로써 구체적인 반응 지점 및 활성을 규명했다.
연구팀은 이번 연구에서 대표적 귀금속 촉매인 백금과 고온 촉매 반응인 메탄산화반응을 활용했으나, 이번 기술은 향후 소재 종류 및 반응 종류에 상관없이 다양한 분야에 폭넓게 응용 및 적용될 수 있다.
정우철 교수는 "이번 연구를 통해서 주어진 반응에 대한 금속 나노입자 촉매의 반응 특성을 정량적으로 분석할 수 있는 고신뢰성 측정 플랫폼을 구축했다ˮ며, "이는 앞으로 우수한 복합촉매 소재 선별 등 촉매설계 종합 솔루션을 제공하는 데 활용될 것으로 기대한다ˮ 라고 말했다.
우리 대학 물리학과 양용수 교수, GIST 김봉수 교수 연구팀에서도 공동으로 참여한 이번 연구는 한국연구재단 나노·소재원천기술개발사업의 지원을 받아 수행됐다.
2021.12.28
조회수 8769
-
신소재 데이터 고속 분석을 위한 인공지능 훈련 방법론 개발
우리 대학 신소재공학과 홍승범 교수 연구팀이 시뮬레이션을 기반으로 한 신소재 데이터 분석을 위한 인공지능을 개발했다고 24일 밝혔다.
최근 컴퓨팅 파워가 기하급수적으로 증가함에 따라 인공지능을 활용한 다양한 응용들이 실생활에 활용되고 있으며, 이에 인공지능을 활용해 신소재 데이터를 고속으로 분석하고 소재를 역설계하는 기술의 연구 역시 가속화되고 있다.
최근 인공지능의 효율 및 정확도를 증가시키는 연구를 바탕으로 자율주행 자동차, 데이터베이스 기반의 마케팅 및 물류 시스템 보조 등의 분야에 인공지능의 활용이 높아지고 있다. 특히 신소재 개발에 장시간이 소요되는 점을 고려할 때, 소재 및 공정 개발에 인공지능을 활용해 다양한 구조 및 물성 데이터 사이의 상관관계를 빠르게 분석해 신소재 개발 소요 시간을 획기적으로 줄일 수 있는 인공지능 방법론이 주목을 받고 있다.
그러나 신소재 데이터의 경우, 대량의 유의미한 실험 데이터를 구하기 어렵고 기업들이 중요한 데이터는 대외비로 취급하고 있어서 인공지능을 소재 데이터 영역에 적용하는 것이 상당히 어려운 것이 현실이다. 이런 데이터의 다양성, 크기 및 접근성 문제가 해결돼야 하며, 이를 보완하기 위해 생성 모델 및 적절한 데이터의 합성에 관한 연구가 진행되고 있다. 인공지능의 성능 향상을 위해 생성되는 데이터 또한 실제 소재가 가지는 물리적 제약을 따라야 하며, 소재 데이터의 재료적 특징을 파악할 수 있는 기술이 필요하다.
홍승범 교수 연구팀이 이번에 개발한 인공지능 훈련 방법론은 훈련을 위해 생성되는 데이터가 물리적 제약을 공유하도록 위상 필드 시뮬레이션을 활용해 기초 데이터를 형성하고 소재 데이터가 가지고 있는 실제 측정 과정에서 발생하는 다양한 잡음, 입자의 분포 정보 및 입자의 경계를 모사해 크기가 작은 소재 데이터의 한계를 해결했다. 기존에 수작업으로 작성한 소재 데이터를 활용한 인공지능과의 상 분리 성능을 비교했으며, 생성된 데이터의 모사 요소가 상 분리에 영향을 미치는 영향을 파악했다.
아울러 이번 연구에서 제시하는 소재 데이터 생성을 활용한 인공지능 훈련 방법은 기존의 수작업으로 훈련 데이터를 준비하는 시간을 크게 단축할 수 있으며, 인공지능의 전이 학습 및 다양한 물리적 제약을 바탕으로 하는 위상 필드 시뮬레이션 활용을 바탕으로 다양한 소재 데이터에 빠르게 적용할 수 있는 장점이 있다.
홍승범 교수는 "인공지능은 분야를 막론하고 다양한 영역에서 활용되고 있으며, 소재 분야 역시 인공지능의 도움을 바탕으로 신소재 개발을 더욱 빠르게 완료할 수 있는 세상을 맞이할 것이다ˮ라며, "이번 연구 내용을 신소재 개발에 바로 적용하기에는 데이터 합성 측면에서의 여전히 보강이 필요하지만, 소재 데이터 활용에 큰 문제가 됐던 훈련 데이터를 준비하는 긴 시간을 단축해 소재 데이터의 고속 분석 가능성을 연 것에 연구의 의의가 있다ˮ고 말했다.
신소재공학과 염지원 연구원, 노스웨스턴(Northwestern) 대학의 티베리우 스탄(Tiberiu Stan) 박사가 공동 제1 저자로 참여한 이번 연구는 노스웨스턴 대학의 피터 부리스(Peter Voorhees) 교수 연구실과 함께 진행됐으며 연구 결과는 국제 학술지 `악타 머터리얼리아(Acta Materialia)'에 게재됐다. (논문명: Segmentation of experimental datasets via convolutional neural networks on phase field simulations)
한편 이번 연구는 KAIST 글로벌특이점 연구 지원으로 수행됐다.
2021.08.24
조회수 8683
-
인공지능을 이용해 숨겨진 소재를 탐색하는 기술 개발
우리 대학 생명화학공학과 정유성 교수 연구팀이 인공지능(AI) 기술을 이용해 숨겨진 소재 공간을 탐색, 숨겨진 새로운 물질을 예측하는 기술을 개발하는 데 성공했다고 27일 밝혔다.
소재 연구의 궁극적인 목표는 원하는 *물성을 갖는 소재를 발견하는 것이다. 그러나 무기화합물의 가능한 모든 조성과 결정구조를 고려할 때 무한대에 가까운 경우의 수를 샅샅이 탐색하기는 쉽지 않다. 이러한 문제 해결을 위한 방안으로 컴퓨터 스크리닝 소재 탐색 방법이 널리 사용되고 있지만 찾고자 하는 소재가 스크리닝 후보군에 존재하지 않을 때는 유망한 물질 후보들을 놓치는 경우가 종종 발생한다.
☞ 물성(physical properties): 물질의 전기적, 자기적, 광학적, 역학적 성질 따위를 통틀어 이르는 말
정유성 교수 연구팀이 개발한 *소재 역설계 방법은 데이터 학습을 통해 주어진 조성을 갖는 결정구조를 새롭게 생성하게 함으로써 기존 데이터베이스에는 존재하지 않던 신물질을 발견할 수 있도록 한다. 특히, 기존의 역설계 방법에서는 원하는 조성을 제어할 수 없지만, 정 교수팀이 개발한 역설계 방법은 원하는 조성을 제어함으로써 숨어있는 화학 공간을 효율적으로 탐색해 물질을 설계할 수 있다.
☞ 소재 역설계(Materials Inverse Design): 주어진 구조에 대한 물성을 측정하는 방식의 반대 개념으로, 특정한 물성을 갖도록 소재의 구조를 역으로 찾아가는 방법
이번 정 교수팀의 연구성과인 결정구조 예측기술은 인공지능 생성모델인 적대적 생성 신경망(GAN, Generative Adversarial Network)을 기반으로 개발됐다. 또 기존의 복잡한 3차원 이미지 기반 물질 표현자의 단점을 해소하기 위해 비교적 간단한 원자들의 3차원 좌표를 기반으로 한 물질 표현자를 사용했다.
정 교수팀은 이번 연구를 통해 개발한 소재 역설계 방법을 활용, 빛을 이용한 수소생산 촉매로 활용될 수 있는 마그네슘-망간-산화물 기반의 광촉매 물질의 결정구조를 예측하는 데도 성공했다. 기존 데이터베이스에 존재하지 않는 조성들을 생성조건으로 다양한 마그네슘-망간-산화물 구조를 생성한 결과, 기존에 알려지지 않았으면서 광촉매로서 전도유망한 특성을 갖는 신물질을 다수 발견했다.
정유성 교수는 "광촉매 물질의 설계에 적용한 이번 소재 설계 프레임워크는 화합물의 화학적 조성뿐 아니라 사용자가 원하는 특정 물성을 갖는 소재를 역설계하는데 적용이 가능하다ˮ면서 "여러 소재 응용 분야에서 활용될 수 있을 것으로 기대된다ˮ고 말했다.
우리 대학 생명화학공학과 김성원 박사과정과 노주환 박사과정이 공동 제1 저자로, 토론토 대학의 아스푸루-구지크(Aspuru-Guzik) 교수가 공동연구로 참여한 이 연구성과는 미국화학회(ACS)가 발행하는 국제학술지 ACS 센트럴 사이언스(ACS Central Science) 지난 8월호에 실렸다.(논문명: Generative Adversarial Networks for Crystal Structure Prediction)
한편, 이번 연구는 과학기술정보통신부 산하 한국연구재단의 기초연구사업(중견연구) 지원을 받아 수행됐다.
2020.10.28
조회수 27524
-
스스로 그림 그리는 인공지능 반도체 칩 개발
전기및전자공학부 유회준 교수 연구팀이 생성적 적대 신경망(GAN: Generative Adversarial Network)을 저전력, 효율적으로 처리하는 인공지능(AI: Artificial Intelligent) 반도체를 개발했다.
연구팀이 개발한 인공지능 반도체는 다중-심층 신경망을 처리할 수 있고 이를 저전력의 모바일 기기에서도 학습할 수 있다. 연구팀은 이번 반도체 칩 개발을 통해 이미지 합성, 스타일 변환, 손상 이미지 복원 등의 생성형 인공지능 기술을 모바일 기기에서 구현하는 데 성공했다.
강상훈 박사과정이 1 저자로 참여한 이번 연구결과는 지난 2월 17일 3천여 명 반도체 연구자들이 미국 샌프란시스코에 모여 개최한 국제고체회로설계학회(ISSCC)에서 발표됐다. (논문명 : GANPU: A 135TFLOPS/W Multi-DNN Training Processor for GANs with Speculative Dual-Sparsity Exploitation)
기존에 많이 연구된 인공지능 기술인 분류형 모델(Discriminative Model)은 주어진 질문에 답을 하도록 학습된 인공지능 모델로 물체 인식 및 추적, 음성인식, 얼굴인식 등에 활용된다.
이와 달리 생성적 적대 신경망(GAN)은 새로운 이미지를 생성·재생성할 수 있어 이미지 스타일 변환, 영상 합성, 손상된 이미지 복원 등 광범위한 분야에 활용된다. 또한, 모바일 기기의 다양한 응용 프로그램(영상·이미지 내 사용자의 얼굴 합성)에도 사용돼 학계뿐만 아니라 산업계에서도 주목을 받고 있다.
그러나 생성적 적대 신경망은 기존의 딥러닝 네트워크와는 달리 여러 개의 심층 신경망으로 이루어진 구조로, 개별 심층 신경망마다 다른 요구 조건으로 최적화된 가속을 하는 것이 어렵다.
또한, 고해상도 이미지를 생성하기 위해 기존 심층 신경망 모델보다 수십 배 많은 연산량을 요구한다. 즉, 적대적 생성 신경망은 연산 능력이 제한적이고 사용되는 메모리가 작은 모바일 장치(스마트폰, 태블릿 등)에서는 소프트웨어만으로 구현할 수 없었다.
최근 모바일 기기에서 인공지능을 구현하기 위해 다양한 가속기 개발이 이뤄지고 있지만, 기존 연구들은 추론 단계만 지원하거나 단일-심층 신경망 학습에 한정돼 있다.
연구팀은 단일-심층 신경망뿐만 아니라 생성적 적대 신경망과 같은 다중-심층 신경망을 처리할 수 있으면서 모바일에서 학습도 가능한 인공지능 반도체 GANPU(Generative Adversarial Networks Processing Unit)를 개발해 모바일 장치의 인공지능 활용범위를 넓혔다.
연구팀이 개발한 인공지능 반도체는 서버로 데이터를 보내지 않고 모바일 장치 내에서 생성적 적대 신경망(GAN)을 스스로 학습할 수 있어 사생활을 보호를 가능케 하는 프로세서라는 점에서 그 활용도가 기대된다.
모바일 기기에서 저전력으로 다중-심층 신경망을 가속하기 위해서 다양한 핵심 기술이 필요하다. 연구팀이 개발한 GANPU에 사용된 핵심 기술 중 대표적인 기술 3가지는 ▲적응형 워크로드 할당(ASTM, 처리해야 할 워크로드*를 파악해 칩 상의 다중-심층 신경망의 연산 및 메모리 특성에 맞춰 시간·공간으로 나누어 할당함으로써 효율적으로 가속하는 방법) ▲입출력 희소성 활용 극대화(IOAS, 인공신경망 입력 데이터에서 나타나는 0뿐만 아니라 출력의 0도 예측해 연산에서 제외함으로써 추론 및 학습 과정에서의 속도와 에너지효율 극대화) ▲지수부만을 사용한 0 패턴 추측(EORS, 인공신경망 출력의 0을 예측하기 위한 알고리즘으로 인공신경망 입력과 연결 강도(weight)의 부동소수점 데이터 중 지수 부분만을 사용해 연산을 간단히 수행하는 방법)이다.
위의 기술을 사용함으로써 연구팀의 GANPU는 기존 최고 성능을 보이던 심층 신경망 학습 반도체 대비 4.8배 증가한 에너지효율을 달성했다.
연구팀은 GANPU의 활용 예시로 태블릿 카메라로 찍은 사진을 사용자가 직접 수정할 수 있는 응용 기술을 시연했다. 사진상의 얼굴에서 머리·안경·눈썹 등 17가지 특징에 대해 추가·삭제 및 수정사항을 입력하면 GANPU가 실시간으로 이를 자동으로 완성해 보여 주는 얼굴 수정 시스템을 개발했다.
2020.04.06
조회수 16771
-
김지한 교수, 인공지능 이용한 다공성 물질 역설계 기술 개발
〈 김지한 교수 연구팀 〉
우리 대학 생명화학공학과 김지한 교수 연구팀이 인공지능을 활용해 원하는 물성의 다공성 물질을 역설계하는 방법을 개발했다.
김백준, 이상원 박사과정이 공동 1 저자로 참여한 이번 연구결과는 국제 학술지 ‘사이언스 어드밴시스(Science Advances)’ 1월 3일 자 온라인판에 게재됐다. (논문명 : Inverse Design of Porous Materials Using Artificial Neural Networks)
다공성 물질은 넓은 표면적과 풍부한 내부 공극(孔劇)을 가지고 있어 촉매, 기체 저장 및 분리, 센서, 약물 전달 등 다양한 분야에서 활용되고 있다.
기존에는 이러한 다공성 물질을 개발하기 위해 반복적인 실험을 통한 시행착오를 거치면서 시간과 비용이 많이 소모됐다. 이러한 낭비를 줄이기 위해 가상 구조를 스크리닝해 다공성 물질 개발을 가속화 하려는 시도들이 있었지만, 데이터베이스에 존재하지 않는 새로운 구조를 발견하지 못한다는 문제가 있었다.
최근에는 인공지능 기반의 역설계로 원하는 물성을 가진 물질을 개발하는 연구가 주목받고 있지만, 지금까지의 연구들은 단순한 소형 분자들 위주로 적용되고 있으며 복잡한 다공성 물질을 설계하는 연구는 보고되지 않았다.
김지한 교수 연구팀은 인공지능 기술과 분자 시뮬레이션 기술을 활용해 다공성 물질의 한 종류인 제올라이트 구조를 설계하는 방법을 개발했다.
연구팀은 인공지능 생성모델인 적대적 생성 신경망(GAN, Generative Adversarial Network)과 기존 분자 시뮬레이션에서 활용되는 3차원 그리드 데이터를 활용해 복잡한 다공성 물질의 특성을 인공지능이 학습하고 생성할 수 있도록 구조를 개발했다.
개발된 인공신경망 생성모델은 3차원 그리드로 이루어진 구조 정보와 흡착 물성 데이터를 같이 학습하게 되며, 학습 과정 안에서 흡착 물성을 빠르게 계산할 수 있다. 이를 통해 에너지 저장 소재의 특성을 효율적으로 학습할 수 있음을 증명했다.
또한, 연구팀은 인공지능 학습 과정에서 기존의 알려진 제올라이트 구조 중 일부를 제외해 학습시켰고, 그 결과 인공지능이 학습하지 않았던 구조들도 생성할 수 있음을 확인했다.
김지한 교수는“인공지능을 이용해 다공성 물질을 설계한 최초의 사례이다”라며 “기체 흡착 용도에 국한된 것이 아니라 다른 물성에도 쉽게 적용할 수 있어 촉매, 분리, 센서 등 다른 분야의 물질 개발에도 활용될 것으로 기대한다”라고 말했다.
이번 연구는 BK21, 한국연구재단 중견 연구자 지원 사업 그리고 에너지 클라우드 사업단의 지원을 받아 수행됐다.
□ 그림 설명
그림 1. 인공지능 기반 다공성 물질(제올라이트) 생성 개요도
2020.01.07
조회수 12851
-
정유성 교수, 인공지능을 통한 소재 역설계 기술 개발
〈 정유성 교수, 노주환 박사과정〉
우리 대학 EEWS대학원/생명화학공학과 정유성 교수 연구팀이 인공지능을 활용해 원하는 물성을 갖는 신소재를 역설계하는 기술을 개발했다.
연구팀은 알고리즘을 통해 수만 개의 물질을 학습시킨 뒤 인공지능을 통해 원하는 물성을 갖는 소재를 역설계하는 방식으로 4종의 신물질을 발견했다. 향후 신소재 개발에 크게 이바지할 수 있을 것으로 기대된다.
노주환 박사과정이 1저자로 참여한 이번 연구 결과는 ‘셀 (Cell)’ 자매지 ‘매터(Matter)’ 10월 2일 자 온라인판에 출판됐다. (논문명 : Inverse Design of Solid State Materials via a Continuous Representation)
소재 연구의 궁극적인 목표는 원하는 물성을 갖는 신소재를 개발하는 것이다. 하지만 현재까지의 신소재 개발은 화학적 직관과 실험적 시행착오를 통한 방법 위주였기 때문에 개발 비용과 시간이 많이 들어 소재 개념화에서부터 상용화에 걸리는 시간이 평균 30년 정도 소요됐다.
기존의 소재 개발 과정은 소재를 시행착오를 통해 합성하고 난 후 물성을 측정해 만들어진 소재가 응용 목적에 맞는 소재인지를 평가하는 방식으로 개발됐다.
정 교수 연구팀은 인공지능 기술과 슈퍼컴퓨터 활용을 융합해 이러한 소재 개발을 기간을 크게 단축할 수 있는 새로운 소재 역설계 방법을 개발했다. 정 교수팀이 개발한 소재 역설계 방법은 기계(알고리즘)로 기존의 수만 개 물질과 그 물질들이 갖는 물성을 학습하게 한 후, 원하는 물성을 갖는 물질을 인공지능 기반 알고리즘이 역으로 생성하는 방식이다.
연구팀이 개발한 소재 역설계 방법은 기존의 컴퓨터 스크리닝을 통해 소재 설계를 가속화 하는 연구와도 차별성이 있다. 스크리닝 기반의 소재 발견 기술은 발견될 물질이 스크리닝 대상이 되는 물질 데이터베이스를 벗어날 수 없다는 한계를 가지고 있다. 따라서 데이터베이스에 존재하지 않는 새로운 형태의 소재를 발견하지 못한다는 단점이 있다.
연구팀이 개발한 신소재 역발견 모델은 인공지능 모델의 한 종류인 생성모델을 이용한 것으로, 생성모델은 이미지 및 음성 처리에 활발하게 활용되고 있는 기술이다. 예를 들어 수천 명의 얼굴들을 기계로 학습하게 해 새로운 사람의 얼굴을 생성해 내는 인공지능 기법이다.
연구팀은 이미지 생성에 주로 쓰이는 생성모델 기반의 인공지능 기법을 알려지지 않은 무기 고체 소재를 생성하는 데 최초로 적용했다. 특히 기존의 생성모델을 고체 소재에 적용하기 위해 역변환이 가능한 3차원 이미지 기반의 표현자를 도입함으로써 현재까지의 소재 역설계 모델의 한계를 극복했고, 이를 iMatGen(image-based Materials Generator) 이라 이름 지었다.
연구팀은 개발된 소재 역설계 기법을 새로운 바나듐 산화물 결정구조를 예측하는데 적용했다. 이 학습 과정에서 기존에 알려진 물질을 제외해 학습하더라도 제외된 물질들을 역으로 재발견할 수 있음을 확인해 개발 모델의 타당성을 검증했다.
최종적으로 개발된 모델을 통해 학습된 연속 잠재공간을 다양한 방법으로 샘플링하고 역변환 함으로써 기존에 존재하지 않는 전혀 새로운 바나듐 산화물 결정구조를 예측할 수 있었다.
정유성 교수는 “이번 연구는 원하는 물성을 갖는 무기 고체 소재를 역으로 설계하는 방법을 데이터 기반 기계학습으로 최초로 보인 예로, 향후 다양한 응용 분야의 신소재 개발에 도움을 줄 수 있을 것으로 기대한다”라고 말했다.
이번 연구 성과는 한국연구재단, 산업통상자원부 산하 에너지기술평가원, 그리고 KISTI의 지원을 통해 수행됐다.
□ 그림 설명
그림1. 개발된 소재 역설계 모델
2019.10.07
조회수 10247