소재 DB - 전산재료공학과 기계학습

공학분야 중 가장 보수적이었던 신소재 연구 개발 분야에도 계산과학과 기계학습을 도입하여 재료공학과 전산공학의 전문가가 협력을 적극적으로 유도하고 있다. 이를 통해 기존의 Trial and Error 방식에 비해서 비용과 시간을 비약적으로 줄인 연구성과를 발표하고 있다. 이러한 연구 방식을 ICME(Integrated Computational Materials Science)라고 하며 그림 1에서 개념을 간략히 표시하였다. 특히, 미국의 QuesTec Innovation LLC는 ICME의 대표적인 성공사례로 애플, 테슬라, 스페이스X 등 첨단 그룹에 소재부분을 담당하면서 제품에 맞는 소재를 소수의 연구인력을 이용 테스트 등의 개발 비용과 시간을 혁신적으로 절감하였다. 국내에서도 이를 벤치마킹한 전산재료공학 연구가 활발하게 진행되고 있으나, 산업화까지는 시간이 더 필요할 것으로 생각된다.

 

소재 분야에서의 데이터베이스는 기업이나 연구자의 주요 노하우로 관리되어 왔으나, 최근 IT 정보기술의 비약적 발달과 연구 장비의 현대화로 방대한 연구데이터가 생산되어 국가 연구기관을 중심으로 한 오픈 데이터베이스의 등장과 기계학습을 통한 신소재 개발의 가능성이 주목받고 있다. 초기 알파고와 같이 무수한 기보 데이터를 활용하여 학습하여 승리의 전략을 도출한 것과 같이 빅데이터에 기반한 기계학습을 통해 기존의 연구자가 인지하지 못한 미지의 길을 열어줄 것으로 기대하고 있다. 이를 위해서는 소재 데이터베이스의 구축이 중요하며 4차 산업혁명에는 방대하고 신뢰할만한 데이터베이스를 효과적으로 활용하는 것이 주요 무기가 될 것이다. 미국 일본과 같은 선진국의 경우에는 2000년대 초반부터 이러한 소재 데이터베이스의 중요성을 인지하고 세계 최대 규모의 공개 소재 데이터베이스를 운영중에 있다. 미국의 로렌츠-버클리 연구소는 자체 슈퍼컴퓨터를 활용하여 소재 결정 데이터 베이스의 양자역학 기반 계산을 통한 소재물성 데이터 베이스를 구축하여 materialsproject.org를 통해 60만건 이상의 데이터를 제공하여 2만명 이상의 주요 연구자가 활용 중에 있으며, 일본은 실험 결과를 체계적으로 적립한 MatNavi를 통해 세계 최대 규모의 소재 물성 데이터베이스를 제공하고 있다. 이에 국내에서도 KISTI 및 소재관련 국가 연구소를 중심으로 소재 데이터베이스 구축 사업이 진행 중에 있으며, 정보전산 전공자들의 많은 조언과 협력이 요구되고 있다.

 

전산재료공학과 소재빅데이터 구축을 위해서는 소재를 전문으로 실험하고 계산하는 연구자뿐만 아니라, 대형 병렬 컴퓨터 운영자, 빅데이터, 데이터베이스 전문가, 상호 운영성 전문가, UI/UX 전문가 등 다양한 분야의 IT전문가의 참여가 필요하다. 바이오 분야에서 서로 다른 분야 전문가가 협력하여 성공사례를 이끌었던 것과 마찬가지로, 새로운 협력과 상호 이해를 통해 국내 소재분야가 더욱 발전된 방향으로 나아가길 희망한다.

 

[그림 1] 멀티스케일 전산재료공학을 통한 새로운 소재의 개발과 활용 

출처: https://alchetron.com/Integrated-computational-materials-engineering

Integrated computational materials engineering - Alchetron, the free social encyclopedia

 

[그림 2] 세계적인 소재 관련 데이터 베이스 소개 (1) MaterialsProject, (2) MatNavi

 

 

http://www.kiise.or.kr/newsletter/data/620_opinion.htm

한국정보과학회 뉴스레터(제620호, 2018년 3월 21일) - 전문가광장/오피니언