구글의 AI는 실제로 '수백만 개의 신소재'를 발견할 수 있을까요?

11월, 구글의 인공지능 업체인 딥마인드 는 "딥러닝으로 수백만 개의 새로운 물질 발견"이라는 보도자료를 발표했습니다.하지만 현재 딥마인드가 발견한 것의 일부분을 분석한 연구자들은 그 하위 집합에서 아직 눈에 띄게 새로운 화합물을 발견하지 못했다고 말합니다.

"인공지능 도구 GNoME가 미래 기술을 발전시킬 수 있는 38만 개의 안정적인 물질을 포함해 220만 개의 새로운 결정을 발견했습니다."구글은 이 발견에 대해 "거의 800년 동안의 지식에 해당하는" 것이며, 많은 발견이 "이전의 인간의 화학적 직관을 벗어난" 것이며 "인류에게 알려진 안정적인 물질에서 엄청난 규모의 확장"이라고 덧붙여 설명했습니다. 이 논문은 출판된 Nature에 실렸으며 과학 분야에서 AI의 놀라운 가능성을 보여주는 사례로 언론에 널리 소개된 사례가 있습니다.

또 다른 논문, 발간는 로렌스 버클리 국립연구소의 연구원들이 "구글 딥마인드와 협력하여 ... 자율 재료 합성에 AI 예측을 어떻게 활용할 수 있는지 보여준다"고 구글은 썼습니다. 이 실험에서 연구원들은 "계산, 문헌의 과거 데이터, 기계 학습 및 능동 학습을 사용하여 로봇 공학을 사용하여 수행된 실험의 결과를 계획하고 해석"하는 "자율 실험실"(A-Lab)을 만들었습니다. 기본적으로 연구진은 AI와 로봇을 사용하여 실험실에서 인간을 배제하고 17일 만에 새로운 물질을 발견하고 합성하여 "자율적인 물질 발견을 위한 인공지능 기반 플랫폼의 효과를 입증했다"고 썼습니다.

새 "MATERIAL."을 구성해야 하는 항목을 설명하는 화학 물질 문서의 다이어그램

그러나 지난 달, 딥마인드와 버클리 논문을 분석한 두 외부 연구 그룹이 최소한 이 특정 연구가 과대 포장되고 있다는 자체 분석 결과를 발표했습니다. 제가 만난 재료 과학계의 모든 사람들은 AI가 새로운 유형의 재료를 발견하는 데 큰 잠재력을 가지고 있다고 강조했습니다. 그러나 그들은 구글과 딥러닝 기술이 재료 과학 분야에서 갑자기 놀라운 돌파구를 마련한 것은 아니라고 말합니다.

에 게재된 관점 논문에서 화학 재료 이번 주 캘리포니아 대학교의 Anthony Cheetham과 Ram Seshadri가 발표했습니다, 산타바바라는 딥마인드가 공개한 38만 개의 제안 구조 중 무작위로 샘플을 선정했으며, 그 중 어느 것도 제안된 물질이 '신뢰할 수 있는지', '유용한지', '새로운지'에 대한 세 가지 테스트를 충족하지 못했다고 말합니다." 그들은 딥마인드가 발견한 것은 "결정성 무기 화합물이며, '물질'이라는 더 일반적인 명칭을 사용하기보다는 그렇게 설명해야 한다"고 말하며, 이는 "유용성이 입증된 것"에만 사용해야 하는 용어라고 말합니다.

분석에서 연구진은 "384,870개의 화합물 중 일부가 있을 것으로 예상하지만 아직 GNoME 및 안정 구조 목록에서 눈에 띄게 새로운 화합물을 찾지 못했습니다"라고 기록했습니다. 또한 새로운 화합물의 대부분은 알려진 물질을 사소하게 변형한 것이지만, 계산적 접근 방식은 전반적으로 신뢰할 수 있는 화합물을 제공하므로 기본 접근 방식이 건전하다는 확신을 갖게 해줍니다."

대부분은 신뢰할 수 있지만 이미 알려진 것의 단순한 파생물이기 때문에 그다지 새롭지는 않습니다.

전화 인터뷰에서 치담은 "구글 논문은 실험 재료 과학자들에게 유용하고 실질적인 기여를 한다는 측면에서 한참 부족하다"고 말했습니다. 세샤드리는 "우리는 구글이 여기서 실수를 했다고 생각합니다."

"특정 기능을 수행할 새로운 자료를 찾고 있었다면 구글이 제안한 대로 200만 개 이상의 새로운 구성을 샅샅이 뒤지지는 않았을 것입니다."라고 Cheetham은 말합니다. "저는 그것이 앞으로 나아가는 최선의 방법이라고 생각하지 않습니다. 일반적인 방법론은 꽤 잘 작동한다고 생각하지만, 특정 요구 사항에 훨씬 더 집중해야 하기 때문에 220만 개의 가능성을 검토하고 그것이 얼마나 유용한지 결정할 시간이 충분하지 않습니다. 우리는 그들이 제안한 것들 중 극히 일부만을 검토하는 데 많은 시간을 보냈고, 그 결과 기능이 없을 뿐만 아니라 대부분 믿을 만할지 모르지만 이미 알려진 것의 단순한 파생물이기 때문에 그다지 새롭지 않다는 것을 깨달았습니다."

구글 딥마인드는 성명서를 통해 "우리는 구글 딥마인드의 GNoME 논문에서 제기된 모든 주장을 지지합니다."

라고 말했습니다. __ownerID="undefined" __hash="undefined" __altered="false">"우리의 GNoME 연구는 이전에 과학계에 알려진 것보다 훨씬 많은 후보 물질을 나타내며, 우리가 예측한 수백 개의 물질은 이미 전 세계 과학자들이 독립적으로 합성하고 있습니다."라고 덧붙였습니다. 재료 프로젝트는 오픈 액세스 재료 특성 데이터베이스는 다른 머신러닝 모델과 비교할 때 Google의 GNoMe 데이터베이스가 최고 수준이라고 밝혔습니다, 그리고 구글은 화학 물질 분석에서 많은 새로운 물질이 이미 알려진 구조를 가지고 있지만 다른 원소를 사용한다는 사실과 같은 일부 비판은 딥마인드가 의도적으로 수행한 것이라고 말했습니다.

한편 버클리 논문은 "자율 실험실"("A-Lab")이 재료 프로젝트라는 다른 프로젝트에서 제안한 구조를 가져와 로봇을 사용하여 인간의 개입 없이 합성하여 43개의 "새로운 화합물"을 만들었다고 주장했습니다. 이 논문에는 딥마인드 연구원 한 명이 참여했으며, 구글은 보도자료를 통해 이를 홍보했지만 구글이 적극적으로 실험을 수행하지는 않았습니다.

인간 연구자들은 이 결과를 분석한 결과 역시 문제가 있다는 것을 발견했습니다: "우리는 43개의 모든 합성 제품에 대해 논의하고 분석에서 네 가지 공통된 결함을 지적합니다. 이러한 오류는 안타깝게도 해당 연구에서 새로운 물질이 발견되지 않았다는 결론으로 이어집니다." 프린스턴 대학교의 레슬리 슈프와 유니버시티 칼리지 런던의 로버트 팔그레이브가 포함된 저자들은 분석에서 이렇게 썼습니다.

다시 말하지만, 제가 인터뷰한 4명의 연구자 모두 새로운 물질을 찾기 위한 AI 가이드 프로세스가 가능성을 보여준다고 생각하지만, 그들이 분석한 특정 논문이 반드시 큰 돌파구는 아니며 그렇게 맥락화해서는 안 된다고 말했습니다.

"딥마인드 논문에는 명백히 말도 안 되는 예측 자료의 예가 많이 나옵니다. 분야 전문가뿐만 아니라 대부분의 고등학생들도 (딥마인드가 예측한) H2O11과 같은 화합물은 맞지 않는다고 말할 수 있습니다."라고 Palgrave는 말했습니다. "이 외에도 명백히 잘못된 화합물의 예는 많으며, Cheetham/Seshadri는 저보다 더 외교적으로 이를 분석하는 데 탁월한 능력을 발휘합니다. 제가 보기에는 기본적인 품질 관리가 이루어지지 않은 것 같습니다. ML이 이러한 화합물을 예측으로 출력한다는 것은 놀라운 일이며, 무언가 잘못되었다는 것을 의미합니다."

인간이 쉽게 파싱할 수 없는 수많은 콘텐츠가 인터넷에 넘쳐나면서 사람이 만든 고품질의 작품을 발견하는 것은 어려운 일이 되었습니다. 불완전한 비유이긴 하지만, 제가 만난 연구원들은 재료 과학에서도 비슷한 일이 일어날 수 있다고 말했습니다: 잠재적 구조에 대한 거대한 데이터베이스가 있다고 해서 반드시 사회에 긍정적인 영향을 미칠 수 있는 무언가를 더 쉽게 만들 수 있는 것은 아니라는 것입니다.

"수백만 개의 재료를 알고 있으면 (정확하다면) 어느 정도 이점이 있지만, 이 공간을 어떻게 탐색하여 유용한 재료를 만들 수 있을까요?"라고 Palgrave는 말합니다. "어떤 것이 좋은지 전혀 모르는 수백만 개의 화합물보다 매우 유용한 특성을 가진 몇 가지 새로운 화합물에 대한 아이디어가 있는 것이 낫습니다."

Schoop은 "이미 5만 개의 독특한 결정성 무기 화합물이 존재하지만 우리는 이 중 일부의 특성만 알고 있다"고 말했습니다. 따라서 우리가 알고 있는 화합물도 아직 다 이해하지 못했는데 왜 수백만 개의 화합물이 더 필요한지 명확하지 않습니다. 단순히 새로운 물질을 개발하는 것보다 물질의 특성을 예측하는 것이 훨씬 더 유용할 수 있습니다."

다시 말하지만, 구글 딥마인드는 자신들의 논문을 지지하고 이러한 특성화에 문제를 제기한다고 말하지만, 현재 AI와 머신러닝을 사용하여 새로운 물질을 발견하는 방법에 대해 많은 논쟁이 벌어지고 있는 것은 분명한 사실입니다, 이러한 발견을 어떻게 맥락화하고, 테스트하고, 실행해야 하는지, 제안된 구조의 거대한 데이터베이스를 세상에 버리는 것이 실제로 사회에 새롭고 실질적인 돌파구를 가져올지 아니면 단순히 많은 소음만 만들어낼지 여부와 방법에 대해 많은 논쟁이 벌어지고 있습니다.

"우리는 AI에 근본적으로 문제가 있다고 생각하지 않습니다."라고 세샤드리는 말합니다. "사용 방법의 문제라고 생각합니다. 우리는 이러한 기술이 우리 과학에서 설 자리가 없다고 생각하는 구시대적인 사람들이 아닙니다."