마이크로소프트 MatterGen 혁신적인 AI 모델 10배 정확도 향상

MatterGen 소개: 재료 설계를 위한 혁신적인 AI 모델

마이크로소프트는 무기 재료 생성을 위해 특별히 설계된 획기적인 대규모 언어 모델인 MatterGen을 공개했습니다. 확산 모델 아키텍처를 기반으로 구축된 이 혁신적인 모델은 원자 유형, 좌표 및 주기적 격자를 점진적으로 최적화할 수 있습니다. 이를 통해 다양하고 새로운 무기 재료를 빠르게 생성할 수 있습니다. 그 잠재력의 대표적인 예는 에너지 분야에서 MatterGen이 새로운 리튬 이온 배터리 양극 재료를 생성할 수 있다는 것입니다.

원자 유형을 조정하고, 고유한 전자 구조를 가진 전이 금속 원소를 도입하고, 격자 내 위치를 정확하게 결정함으로써 MatterGen은 고유한 미세 구조를 가진 결정 격자를 개발할 수 있습니다. 이는 배터리 수명과 성능을 크게 향상시킬 수 있는 잠재력을 가지고 있습니다.

MatterGen으로 향상된 재료 발견

기존의 재료 발견 방법과 비교했을 때, MatterGen은 안정적이고 독창적이며 새로운 재료 생성 비율을 두 배 이상 크게 증가시킵니다. 또한, 생성된 구조는 DFT(Density Functional Theory) 국소 에너지 최소값에 약 10배 더 가깝습니다. 이는 MatterGen을 전기 자동차, 항공우주 및 전자 칩과 같은 첨단 기술 분야에서 매우 유용한 도구로 만듭니다.

단순화된 비유: MatterGen으로 구축하기

이 잠재적으로 복잡한 개념을 이해하기 위해 집을 짓고 싶다고 상상해 보세요. 전통적인 방법은 기존 디자인에서 선택하는 것이 포함되며, 이는 요구 사항과 완벽하게 일치하지 않을 수 있습니다.

반면에 MatterGen을 사용하면 정확한 요구 사항을 지정할 수 있습니다. 예를 들어 "체육관, 게임 룸, 작은 침실 2개, 마스터 침실 및 작은 정원이 있는 5개 침실 집을 원합니다. 용과 봉황 장식이 있는 중국식 건축물을 원합니다."라고 말할 수 있습니다.

본질적으로 MatterGen은 상세한 생성 프로세스를 통해 무기 재료 발견의 복잡한 프로세스를 분해합니다. 특정 요구 사항에 따라 이상적인 재료 조합과 구조적 레이아웃을 탐색하고 구성합니다.

다양한 특성을 가진 건축 자재를 선택하는 것과 마찬가지로 적절한 원자 유형을 선택하는 것으로 시작합니다.
그런 다음 각 벽돌을 정확하게 배치하는 것과 마찬가지로 공간에서 이러한 원자의 좌표를 정확하게 결정합니다.
마지막으로 강력하고 독특한 프레임워크를 만드는 완벽한 주기적 격자를 구성합니다.

재료 과학에서 AI의 힘

AI의 급속한 발전은 다양한 분야를 재구성하고 있으며, 재료 과학도 예외는 아닙니다. 새로운 초전도체를 발견하고, 컴퓨팅 성능을 높이고, 결과적으로 더 많은 초전도성 재료를 발견하는 MatterGen의 능력은 이를 입증하는 것입니다. 이는 AI가 모든 것을 지속적으로 개선하고 최적화하는 자기 강화 사이클입니다.

잠재적인 응용 분야 및 영향

배터리 기술: MatterGen은 상당한 논의와 수요가 있었던 배터리 셀 첨가제에 혁명을 일으킬 수 있습니다. 이 모델은 양극 활성 물질 생산에 도움이 될 수 있는 잠재력을 가지고 있습니다.
AGI 의미: 이 모델의 기능은 인공 일반 지능(AGI)을 향한 발전임을 시사합니다.
글로벌 과제: 이 기술은 기후 변화와 같은 글로벌 과제 해결에 대한 약속을 가지고 있습니다.

MatterGen의 아키텍처: 확산 과정

MatterGen의 핵심에는 입자가 고농도 영역에서 저농도 영역으로 이동하여 균등하게 분포될 때까지 이동하는 물리적 현상에서 영감을 얻은 확산 과정이 있습니다. 재료 설계에서 이 과정은 완전히 무작위 초기 상태에서 정렬되고 안정적인 결정 구조를 생성하도록 적용됩니다.

이 과정은 물리적 의미가 없는 무작위 초기 구조로 시작합니다. 그런 다음 일련의 반복 단계를 통해 MatterGen은 초기 구조의 "노이즈"를 줄여 실제 결정 구조에 더 가깝게 만듭니다. 이것은 무작위가 아닙니다. 물리 법칙과 재료 과학 원리에 의해 안내됩니다.

각 반복에서 MatterGen은 원자 유형, 좌표 및 격자 매개변수를 개선합니다. 이러한 조정은 미리 정의된 물리적으로 동기 부여된 분포를 기반으로 하며, 모델이 결합 길이, 결합 각도 및 격자 대칭과 같은 실제 물리적 속성을 고려하도록 합니다.

좌표 확산은 결정의 주기적 경계를 존중하며, 원자가 결정의 주기적 구조를 벗어나지 않도록 래핑된 정규 분포를 사용하여 원자 위치를 조정합니다.

격자 확산은 분포의 평균이 입방 격자이고 평균 원자 밀도가 훈련 데이터에서 파생되는 대칭 형태를 사용하여 생성된 구조의 안정성과 물리적 관련성을 보장합니다.

등변 점수 네트워크의 역할

등변 점수 네트워크는 MatterGen의 또 다른 중요한 구성 요소입니다. 확산 과정에서 원래 결정 구조를 복구하는 방법을 학습합니다. 이 네트워크의 설계는 특정 변환에서 시스템이 특정 속성을 유지한다는 것을 의미하는 등변성 원칙을 기반으로 합니다. 결정 재료의 경우 이는 재료의 속성이 회전 및 변환 중에 변경되지 않은 상태로 유지됨을 의미합니다.

네트워크는 원자 유형, 좌표 및 격자에 대한 등변 점수를 출력합니다. 이러한 점수는 현재 구조에서 각 원자 및 격자 매개변수의 "불일치" 또는 이상적인 결정 구조에서 벗어난 정도를 나타냅니다. 이러한 점수를 계산함으로써 네트워크는 모델이 원자와 격자 매개변수를 조정하여 노이즈를 줄이고 안정적인 결정 구조에 더 가까워지도록 안내합니다.

어댑터 모듈을 통한 적응성

유연성을 높이기 위해 MatterGen은 다양한 다운스트림 작업에 대한 미세 조정을 가능하게 하는 어댑터 모듈을 통합합니다. 이러한 모듈은 주어진 속성 레이블을 기반으로 모델의 출력을 변경할 수 있습니다.

어댑터는 모델의 각 레이어에 작업별 속성 레이블을 기반으로 조정할 수 있는 추가 매개변수 집합을 도입합니다. 이러한 매개변수는 생성된 구조가 특정 작업 요구 사항을 충족하도록 미세 조정 중에 최적화됩니다. 이 디자인은 적응성을 향상시킬 뿐만 아니라 미세 조정에 필요한 레이블이 지정된 데이터의 양도 줄입니다.

예를 들어, 새로운 배터리 재료를 설계할 때 모델은 전기 전도도와 이온 확산 속도에 집중할 수 있습니다. 그러나 촉매를 설계하는 경우 모델은 표면 활동과 선택성에 집중할 수 있습니다. 어댑터 모듈을 통해 모델은 이러한 다양한 요구에 따라 구조 생성 전략을 조정할 수 있습니다.

인정 및 출판

마이크로소프트는 이미 네이처에 이 연구를 발표하여 주요 기술 전문가들로부터 광범위한 인정을 받았습니다. 이 연구는 작년에 노벨 화학상을 수상한 단백질 예측 모델인 구글의 AlphaFold 시리즈와 비교되고 있습니다.