신소재경제신문·재료연구소 공동기획 소재기술백서 2017(27)-제4장 빅데이터 이용 소재 개발-소재정보학 기반 소재설계기술(2)-집필 김형준(KAIST)

신소재경제신문·재료연구소 공동기획 소재기술백서 2017(27)-제4장 빅데이터 이용 소재 개발-소재정보학 기반 소재설계기술(2)-집필 김형준(KAIST)

기사등록 2020-02-28 15:26:54
수정 2020-03-04 16:16:34

재료연구소가 발행한 ‘소재기술백서’는 해당분야 전문가가 참여해 소재 정보를 체계적으로 정리한 국내 유일의 소재기술백서다. 지난 2009년부터 시작해 총 9번째 발간된 이번 백서의 주제는 ‘4차 산업혁명 대응소재’다. 센서, 3D프린팅, AI용 반도체, 빅데이터 이용 소재 개발 등으로 나눠 각 분야별로 가치 있고 다양한 정보를 담았다. 이에 본지는 재료연구소와 공동기획으로 ‘소재기술백서 2017’을 연재한다.

개방적 통합·융합 연구 必

■ 센서 소재 개발

정보학 기반 센서 소재(sensing material)의 설계는 수많은 재료 후보군의 합성 및 시험에 걸리는 시간을 줄일 수 있는 매우 매력적인 방법이며 여러 방식으로 접근이 이루어지고 있다.

그러나 센서 소재의 합리적 설계가 정략적으로 성공하기 위해서는 센서 소재 물질의 고유 특성과 그 성능 특성의 관계에 관한 광범위한 실험 및 시뮬레이션 데이터를 기초한 지식이 요구된다. 하지만 원하는 성능 특성을 가지는 센서 소재를 얻기 위해 요구되는 조건을 정확히 정의내리는 것은 센서 소재의 구조적, 기능적 복잡성의 증가로 매우 제한적이다.

앞서 언급하였듯이, 센서 소재 후보의 스크리닝 및 최적화를 위한 실험은 엄청난 양의 시간 및 인적/물적 비용을 필요로 하기 때문에 조합 재료 스크리닝(combinatorial materials screening) 기법을 적용하여 새로운 센서 소재 후보를 제시하고자하는 연구가 다각도로 이루어지고 있다.

1970년대에 Hanack이 제안한 통합적인 재료 개발 워크 플로우는 다음과 같다: (1) 하나의 실험에서 다성분 시스템의 완전한 조성 매핑, (2) 단순하고 신속한 비파괴형 포괄식 화학분석, (3) 장치 스캐닝으로 특성 시험. (4) 컴퓨터 데이터 처리. 이러한 워크 플로우를 확장시킨 조합 재료 스크리닝 기법은 다양한 조합의 재료들을 대형 어레이(array)로 병렬 생산해 물질의 고유 특성 및 성능을 측정한 후 수집한 데이터를 바탕으로 신규 물질을 도출해내는 과정을 의미한다.

특정 분야의 스크리닝 시뮬레이션을 수행하더라도 그 과정에서 축적된 데이터는 새로운 응용물질 개발 혹은 참조 물질로 이용될 수 있는 장점이 있다.

조합 재료 스크리닝 개발의 광범위한 목표는 시스템에 내재되어 있는 성능지배변수들을 발견하고 최적화하여 최종적으로 재료의 제조 공정 변수까지 최적화하는 것이다. 위 그림에서 개략적인 센서 소재의 핵심 성능 인자 및 제조 공정 변수들을 정리하였다. 신규 센서 소재의 발견 및 최적화에 있어서 조합 재료 스크리닝 기술의 광범위한 응용성을 입증하기 위해 여러 응용 분야의 센서 소재 개발 과정에서의 분리형(discrete) 재료 배열을 사용한 연구 결과를 다음에 정리하였다.

최근 다양한 유기용매의 탐지 및 식별을 위해 비색법(colorimetric)을 이용하는 센서 소재에 대해 조합 접근법이 시도되었다.

<그림 3-4-2-11>에서 보이는 바와 같이 아미노부틸산 유래 디아세틸렌 단량체(PCDA-ABA)로 얻은 폴리디아세틸렌(polydiacetylene)이 내장된 전기방사 섬유 매트는 일반적인 유기용매에 노출될 때 비색계 안정성을 나타냈다. 대조적으로 아닐린 유래의 디아세틸렌(PCDA-AN)으로부터 얻은 섬유 매트는 유기용매에 민감한 색상 변화를 나타낸다. 이렇듯 공액 고분자가 내장된 전기 방사 섬유 배열이 유기용매에 노출되었을 때, 독특한 색상 패턴이 나타나며 즉각적으로 시험 유기용매의 종류를 특정할 수 있다.

순수한 PCDA-ABA, PCDA-AN, 그리고 각각 1:1 몰비로 혼합된 혼합물로 부터 얻은 디아세틸렌(DA) 단량체로 캡슐화(encapsulation)한 전기방사 섬유매트의 주사전자현미경(SEM) 이미지를 보면 전기방사 매트와 평균 직경이 약 1㎛인 고분자 섬유사이에 유의미한 형태학적 차이는 관찰할 수 없었다. 디아세틸렌 단량체의 다양한 조합으로부터 유도된 섬유 매트의 조합 배열의 색상 패턴은 센서 개발을 위한 조합 접근법의 중요성을 입증했다고 볼 수 있다. 이 방법론은 단 2개의 디아세틸렌 단량체로부터 다양한 구성의 센서를 생성해 유기 용제의 시각적인 구분을 가능하게 했다.

이렇듯 고분자는 상온의 센서 작동온도, 신속한 반응 및 복구 시간, 장기간의 안정성을 제공하기 때문에 센서 소재로써 널리 사용된다. 고분자 기반 센서 소재는 고분자와 피분석물 사이에 발생하는 다양한 상호작용(반 데르 발스, 쌍극자 및 유도 쌍극자 상호작용, 수소결합 등)을 이용해 기체를 감지할 수 있으며 이를 통해 고분자 센서 소재가 다양한 기체들에 대해 선택적인 응답이 가능하다. 고분자 기반 센서 소재의 응답을 계산하기 위해 개발된 다양한 수학적 모델 중 선형적 용매화 에너지 관계(linear solvation energy relationship, LSER)모델이 가장 널리 사용된다.

선형적 용매화 에너지 방법론은 지하수 위 상부 공간에 존재하는 유기용매 증기를 알아낼 수 있는 두께 전단 모드(thickness shear mode, TSM) 공진기를 기초로 한 음파센서 배열을 구성할 수 있는 기존 고분자의 조합을 선택할 때 적용된 안내 지침이었다. 두께 전단 모드 공진기에 증착된 감지 필름에 증기가 흡수되면 공진 주파수의 변화가 측정된다. 기존의 고분자 기반 센서 소재의 검출 한계를 높이기 위해 100배 이상 민감도가 향상된 실리콘 블록 폴리이미드와 같은 새로운 고분자 센서 소재가 제안되었다.

방해 물질이 존재하더라도 염소화 용매 증기를 더 선택적으로 검출할 수 있는 센서 소재를 개발하기 위해서 실리콘 블록 폴리이미드 기반의 8가지 고분자 재료를 제작했다. 퍼클로로에틸렌(PCE), 트리크로로에틸렌(TCE), 시스-디클로로에틸렌(cisDCE) 및 방해 물질 (사염화탄소, 톨루엔 및 클로로포름)에 대한 분배 계수 차이와 후보 고분자 물질의 성능을 평가했다. 후보 고분자의 정량적 스크리닝을 위해 6×4 미량정량판<그림 3-4-2-12>에 일치하는 24-채널의 TSM 센서 시스템을 구축하였다. 주성분 분석 (PCA) 도구를 활용하여 결과를 분석한 결과, 8가지 유형의 고분자가 측정에 사용되는 경우 PCA 공간에서 6개의 증기가 잘 분리되어 있는 것을 확인할 수 있다 <그림 3-4-2-13>. 결과적으로 조합 방법론을 이용한 분석물과 고분자간의 상호 작용에 대한 상세한 평가 및 분석은 센서의 선택성에 영향을 미치는 소재의 내재적 파라미터를 보다 잘 이해할 수 있는 기반을 제공한다. 최근에는 장기 안정성을 위한 고분자 센서 소재의 고효율 스크리닝에 대해 조합 방법론의 지속적인 적용이 시도되고 있다.

긴 시간 동안 한 번에 하나의 실험만이 진행되었던 종래의 연구와 달리 실험에 소비되는 시간은 훨씬 단축되면서도 높은 수준의 상세한 파라미터를 얻을 수 있었고, 또한 다차원의 화학적 조성 탐구로부터 센서 소재에서 요구되는 선택성과 민감성을 확보할 수 있었다. 향 후 다양한 실험 계획, 자동 합성, 고속 물성 평가 및 데이터마이닝과 같은 다양한 기술을 바탕으로 신규 센서 소재의 상업화가 가속화 될 것이다.

■ 제올라이트 소재 개발

앞 장에서 살펴보았듯이 효과적인 정보학 기반 소재 스크리닝 연구/개발을 위해서는 한 번에 많은 수의 시료를 합성/평가할 수 있는 새로운 기법의 개발이 병행되어야 한다. 여기서 새로운 기법은 기본적으로 자동화(automation)와 병렬화(parallelization)의 개념이 필수적이며 최적화(optimization) 기능까지 포함 될 경우 더욱 효율을 높일 수 있게 된다. 즉 실험적인 접근에서 보면 실험계획법(design of experiments, DoE)에 의해 구성된 다량의 실험 세트에서 어떻게 단위 실험을 빠르게 수행할 것인가와 더불어 얼마나 동시에 자동으로 여러 단위 실험들을 수행할 수 있는가에 대한 고민이 필요한 것이다.

이러한 개념은 이론적 시뮬레이션에 기반한 소재 스크리닝 연구에서도 동일하게 적용될 수 있다. 이론적 시뮬레이션을 수행하기 위해 필수적인 컴퓨터의 성능은 여러 물리적 한계점으로 인해 2005년을 기점으로 단위 프로세스의 속도가 포화되었다고 볼 수 있다. 다시 말해 단위 실험을 수행하는 속도는 거의 최대치에 이르렀다고 볼 수 있는 것이다. 이 후의 컴퓨터 기술은 동시에 여러 작업을 수행할 수 있게 하는 병렬화 개념을 중심으로 발전하기 시작했고, 과거 소프트웨어적인 병렬화 개념을 넘어서서 여러 물리적 단위의 CPU가 병합되는 하드웨어적인 병렬화 기술이 급격히 발전하고 있다.

이에 표준 멀티코어 프로세서가 개발되었지만 CPU 알고리즘의 99%는 순차적(sequential)이기 때문에 병렬화 입장에서는 제약이 있었고, 본질적으로 병렬 알고리즘을 기반으로 하는 그래픽 처리장치를 중심으로 다양한 병렬 프로세서가 독립적으로 개발되어 왔다. 현대의 GPU(graphics processing unit) 장치에는 수천 개의 실행 단위가 SIMD（single instruction multiple data) 형태로 묶이고 이 SIMD는 전역 메모리, 고속 공유 메모리, 특수한 텍스처 메모리, 하드웨어 스케쥴링 메커니즘 등이 모두 포함되어 있다. 이러한 GPU의 발전이 분자동역학 시뮬레이션, 제일원리 양자역학 시뮬레이션과 같은 화학적 문제 해결을 가속화 시키는데 큰 기여를 하고 있다.

데이터 주도 해석 기술 정의·개발해야

양질 데이터 균일생성·저장 논의 필요

아래 그림에서와 같이 CPU만 사용했을 경우 대비 GPU를 연동할 경우 분자동역학 시뮬레이션의 속도가 4배 이상 가속화 되는 것을 알 수 있다.

흡착, 이온 교환, 이종 촉매(heterogeneous catalyst), 센서, 태양에너지 전환 등에서 널리 사용되고 있는 제올라이트는 분자 크기의 구멍과 채널이 있는 규칙적인 결정 구조를 가지고 있다. 단위 구조를 살펴보면 보통 정사면체로 이루어져 있으며 정사면체의 꼭짓점 위치에 산소가 있고 한 개의 실리콘 또는 알루미늄이 그 중심에 있는 구조이다. 결정구조를 분석하는 방법으로는 X-선회절분석(X-ray diffraction, XRD) 등이 있어 단일 결정일 경우 이를 통해 내부 원자 구조가 어떻게 형성되어 있는지 알 수 있으나, 구조 모델이 없는 복잡한 구조의 경우 XRD 구조 분석만을 통해서 구조를 파악하는 것은 쉽지가 않다. 특히, 제올라이트, SAPO(silico-alumino-phosphates), AlPO(aluminophosphates)는 합성 조성물에 따라 같은 합성방법으로도 다양한 구조를 지닐 수 있는데 새로운 합성 제올라이트의 구조 예측이 실험적 스크리닝 방법을 통해서도 가능하다는 것이 보고되어 있다.

계산적으로 새롭게 합성된 미세 다공성 제올라이트 물질의 구조를 연구하기 위해 MCBH(Monte-Carlo basin hopping), 유전알고리즘 R.L. Johnston, Dalton Transactions 등 다양한 방법론이 발전되어 왔으며, 최근 급격한 발전을 이룬 GPU장치가 이러한 방법론들의 실제적인 활용성을 극대화 해주고 있다.

특히 유전알고리즘의 경우 다수의 초기 변수들이 동시에 평가되어 특정 기준에 따라 다음 세대로 전이되는 방식을 따르기 때문에 GPU장치의 하드웨어적 특성이 최대한 발휘될 수 있는 여건에 있다. 또한 위상 원칙(topological principle) 등 제올라이트와 같이 다양한 연결채널이 있는 시스템 해석을 위한 수학적인 표준 방안이 마련되어 있기 때문에 이론적 계산을 통한 제올라이트 물질의 이해는 매우 용이하다고 볼 수 있다.

주어진 화학적 조성에 따른 새로운 제올라이트 구조를 유전알고리즘을 기반으로 예측하기 위해 다양한 수준의 병렬 계산을 할 수 있도록 구현한 비동기섬모델(asynchronous island model)을 구축하고 GPU 장비를 활용하여 시뮬레이션을 실시하였다<그림 3-4-2-15>. 가장 복잡한 구조를 지닌 것으로 알려진 제올라이트는 96개의 T 원자가 단위 구조에 포함되어 있다.

일주일 동안 GTX295 GPU를 통해 연속적으로 계산한 결과, 400개 가까운 구조들이 발견되었으며 그 중 88% 가 에너지적인 측면에서 평가해 볼 때 안정적인 제올라이트 구조를 지니는 것으로 평가되었다. <그림 3-4-2-16>에 도출된 안정한 제올라이트 시스템의 대표적인 단위 구조를 표시하였다. GPU 시스템의 도움으로 유전알고리즘 기반 시뮬레이션의 상당한 가속화가 가능하였고, 향후 GPU 장비와 관련 알고리즘이 더욱 발전하여 제일원리 양자계산 시뮬레이션에 완전히 정착되면 이론 시뮬레이션 기반 소재 개발 기술이 더욱 저변을 넓힐 수 있을 것으로 예상된다.

■ 국내외 선도 연구기관

실험적인 소재정보학 기반 소재개발 연구의 발전과 더불어 컴퓨터 하드웨어 및 소프트웨어의 발전으로 이론적 시뮬레이션을 전적으로 활용한 연구 방향이 급격하게 성장하는 추세에 있다. 특히 소재정보학 연구의 기본적인 출발점이 되는 데이터베이스 구축에 있어 방대한 실험 데이터의 수집뿐만 아니라 이론적 시뮬레이션을 통한 가상 소재의 물성까지 상당한 정확도로 수집이 가능한 기술 수준에 있다. 그리고 이렇게 구축된 데이터베이스로부터 유의미한 경향성을 도출하고 새로운 소재의 후보군을 제시하고자 하는 다양한 알고리즘 및 API(application programming interface)가 적극적으로 개발되고 있다. 이렇게 데이터 수집부터 해석, 더 나아가 실험적 검증까지 소재정보학 기반 소재개발 연구의 저변이 유수한 국내외 연구진을 통해 넓어지고 있으며 아래 표에 대표적인 선도 연구기관을 정리해보았다.

■ 국내외 산업 및 시장 동향

소재정보학 기반 소재설계 연구 분야는 이제 막 기술적인 기반을 확충하고 학계/산업계의 각 분야에 적용되기 시작하는 초기 단계에 있다고 볼 수 있다. 알파고의 등장으로 컴퓨터 기계 학습을 통해 인간의 경험적/사고적 한계를 돌파할 수 있음이 확인되면서 더욱 큰 성장 동력을 얻고 있는 상황이지만, 실제 산업계에 소재정보학 기반 소재설계 기술이 완전히 정착하려면 상당히 긴 시간과 기술적 진보를 필요로 할 것으로 예상되고 있다. 아래 그림에서와 같이 산업계에서 소재 개발이 진행되는 과정을 살펴보면 실험실 수준에서의 기초 합성 단계부터 공정 스케일업(scale up), 품질 및 수명 관리 까지 여러 단계를 거쳐야 하고 각 단계마다 소재정보학 기술의 역할과 범위가 상이하기 때문이다.

앞서 언급하였듯이, 현재 인공지능의 급격한 발전이 이루어지고 있고 앞으로도 관련 기술이 다양한 산업 분야에 적극 활용될 것으로 예상되는 가운데 소재정보학 기반 소재개발 연구도 기초적인 데이터 수집에서부터 해석, 응용, 실험과의 연계까지 전 세계적으로 많은 투자와 관심이 집중되고 있다. 미국에서는 Materials Genome Initiative(MGI), 유럽에서는 MARVEL 연구센터, 일본에서는 Materials Research by Information Integration initiative (MI2I) 등 산학연관 합동의 연구 컨소시엄이 발족하고 있으며 BASF, Schott 등 유수의 제조업체에서도 자체적인 소재정보학 기반 소재개발 프로세스를 확립하고자 시도하고 있다. 또한 독립적인 수익 창출 모델도 어느 정도 확립되기 시작하여 미국의 Citrine, 한국의 Insilico와 같은 전문 소재정보학 회사도 설립되어 도전적인 시장 개척을 경주하고 있다.

■ 미래의 연구방향

소재정보학 기반 소재설계 연구는 소재 개발에 있어서 새로운 패러다임으로 다가오고 있고, 미래에 4차 산업혁명과 함께 더 범위와 파급력이 더욱 커질 것으로 예상된다. 현재의 재료 정보 과학 분야는 아직 20년 전의 생물 정보학 (bioinformatics)과 비슷한 초기 단계에 있다고 생각할 수 있기 때문에, 앞으로 관련된 다양한 요소 기술 및 워크 플로우를 다변화해가면서 더 많은 성공 사례를 발굴해 내야 할 것이다.

이를 위해서는 각 연구팀 혹은 소수의 연구팀이 개별적이고 제한적인 형태로 진행해오던 기존의 연구개발 패턴에서 벗어나, 소재 개발에서의 지식을 데이터라는 형태를 통하여 서로 개방적이며 통합·융합적으로 공유하고 활용하는 형태로의 패러다임 변화가 필수적일 것이다. 특히 미래의 연구에서는 대규모 데이터의 축적과 관리 방법의 개발과, 이를 기반으로 진행될 데이터 주도 해석 (data-driven analytics) 기술을 정의하고 개발해 나가야만 할 것이다. 더욱이 소재 개발에 필요한 데이터의 경우 많은 경우에 데이터 생성 주기가 상대적으로 길어서 대규모 데이터를 균일하게 수집하는데 어려움이 있는 경우가 많이 있다. 그렇기 때문에 데이터의 활용 방법을 개발하는 것도 중요하지만, 현재로서는 양질의 소재 관련 데이터를 균일하게 생성하고 저장할 수 있는 데이터 생성 방법에 대한 심도있는 논의와 연구 개발이 필수적일 것이다. 또한 재료 과학과 컴퓨터 과학, 통계학의 전문 지식을 어떻게 서로 공유하고 결합해 나가야 할 지에 관한 고민도 필요할 것이다.

■ 정책 제언

앞서 언급하였듯이 소재 기반 데이터 과학 (data science)의 활성을 위해 가장 중요한 부분 중 하나는 데이터 수집과 이와 관련된 플랫폼 구축이라 할 수 있다. 특히 데이터의 공유를 통한 개방적 연구개발이라는 새로운 패러다임의 성격을 고려하고, 이를 통해 구축되는 대규모의 소재 관련 데이터가 갖게 될 국내 소재 산업 전반에 관한 파급력을 생각해보면, 이러한 데이터 플랫폼을 구축과 관리는 공공성격으로 진행되는 것이 바람직할 것이다.

다만 데이터는 본질적으로 그 포맷이 제대로 구축되고 정리되어 있을 경우에 의미를 갖을 수 있기 때문에, 데이터 수집과 축적을 위한 포맷을 고민하고 이를 플랫폼 기술을 통하여 제공하는 것에 대한 연구개발에 대한 지원이 중요하다. 그리고 더 나아가 방대한 양의 데이터 수집과 운용을 위한 데이터 인프라 구축은 어느 한 두 개의 연구 기관이나 기업이 담당하기 어려운 일이라는 것에 대한 공감대 형성이 필요하다.

또한 특정 목적 아래에 탑다운 방식으로 수집된 소규모 데이터베이스보다는, 일반적인 형태의 대규모 데이터를 포맷을 갖추어 수집한 후에 이를 기반으로 새로운 목적을 창출할 때 소재 기반 데이터 과학이 큰 파급력을 가질 수 있다. 이처럼 소재정보학 기반 소재설계 연구개발의 방향성이 기존의 연구개발과는 그 방향이 매우 다름을 이해하고, 데이터의 활용 이전에 데이터 포맷의 개발과 축적 및 검증에 중장기적인 지원이 이루어졌을 때 비로소 관련 생태계가 구축되고 소재 개발에 혁신을 이룰 수 있을 것으로 생각된다.

뿐만 아니라, 관련 분야에서 필요한 학제간 기술을 최적으로 활용할 수 있는 차세대 인력 양성에도 힘써야 할 것이다.