물리 실험과 AI의 융합, 과학 혁신 이끈다

이론과 시뮬레이션만으로는 실제 세계의 복잡한 현상을 완벽하게 해결하기 어렵다는 것이 Periodic Labs의 핵심 신념이다.

가설 검증과 새로운 물질 발견을 위해서는 AI 시스템뿐만 아니라 물리적인 고속 처리 실험 환경 구축이 필수적이다.

이는 교과서적 지식을 넘어선 반복적 실험 루프를 통해 실제 세계의 문제를 해결하려는 시도이다.

수학적 최적화는 변동성, 불확실성, 비정상적인 측정값을 다루지 않는 반면, 과학 공정에서는 이러한 요소들이 매우 핵심적이다.

데이터의 라벨링 자체가 확률적이며, 장비별 측정 편차가 존재하여 높은 불확실성을 가진다.

따라서 불확실성이 높은 환경에서 효율적인 샘플 활용과 강력한 추론 능력을 갖춘 AI 시스템이 필요하다.

온도와 압력 같은 열역학 변수를 활용하면 복잡한 시스템을 요약할 수 있다. 물리 세계의 실험은 모든 맥락이 주어지는 코딩이나 수학과 달리, 차원 축소를 통해 정보를 제어하는 과정에서 데이터 손실 가능성을 고려해야 한다.

수학이나 코딩은 모든 맥락이 주어지지만, 물리 세계에서는 열역학 변수(온도, 압력 등)를 활용하여 복잡한 시스템을 요약하고, 이 과정에서 발생하는 실험 데이터의 손실 가능성을 인지하고 대응한다.

용광로는 사용 시간이 지남에 따라 성능이 저하되는데, 이는 물질이 증발하여 가열 장치를 덮기 때문이다.

이처럼 물리적 실험 환경에서는 용광로 내부의 온도 불균형이나 광학 기기에 미치는 외부 미세 진동 등 다양한 노이즈와 제약이 상존한다.

Periodic Labs가 AI 프로그램을 설계하는 방식은 기본적으로 생성된 실험 데이터 세트를 중심으로 에이전트를 구축하는 것이다.

물리적 실험 환경의 시간 제약 때문에 시뮬레이션 환경보다 샘플 효율성이 더욱 중요하며, 합성 상 식별과 화학적 타당성 검증을 통해 보상 루프를 구축한다.

이러한 접근은 GPU를 일주일 내내 가동하는 것과 같은 단순 컴퓨팅 자원 투입을 넘어선 실질적인 실험 효율화를 목표로 한다.

재료 과학은 이론적, 계산적, 실험적으로 해결되지 않은 과제가 많아 AI 도입 시 큰 기대 효과를 얻을 수 있다.

AI는 재료와 고체 물리학 이해도를 높여 더 나은 장치 개발에 기여하며, 인간의 맥락 이해 및 계산 능력의 한계를 보완한다.

XRD 외에도 전기적, 자기적 성질 등 10가지 이상의 다양한 데이터를 AI로 통합 분석하여 재료 특성 분석의 불확실성을 해소하고 최적화를 이룬다.

인간 과학자가 수많은 방법을 시도해야 하는 복잡한 문제를 AI의 초지능적 처리로 효율적으로 해결한다.

자연 현상에는 인간이 다룰 수 있는 것보다 훨씬 방대한 정보가 존재한다.

Periodic Labs는 실험 데이터를 거대한 자연 모델의 작은 선형 프로브로 정의한다. 이를 활용해 극히 제한적인 정보만으로 물질의 작동 방식을 재구성한다.

따라서 인간이나 에이전트의 역할은 그 적은 정보량으로 내부에서 실제로 일어나는 현상을 재구성하는 데 있다.

실제 실험 데이터는 접근 가능성이 제한적이므로 여전히 매우 귀중하다는 인식을 유지한다.

밀도 범함수 이론(DFT)은 재료 분야에서 가장 흔히 사용되는 시뮬레이션 방법 중 하나로, 재료의 생성 엔탈피를 추정하는 데 활용된다.

DFT는 양자 역학 시스템 바닥 상태의 모든 특성이 전하 밀도의 범함수라는 놀라운 개념에 기반하여 파동 함수 대신 전하 밀도를 사용하여 계산 비용을 대폭 절감한다.

하지만 아무리 완벽한 DFT 이론이 존재하더라도, 실제 물질이 10의 23승 개에 달하는 원자로 구성될 경우 계산이 불가능해진다.

Ekin Dogus Cubuk은 이러한 한계에도 불구하고 DFT가 재료 과학에서 중요한 역할을 한다고 본다.

밀도범함수이론(DFT)은 주로 완벽한 결정을 가정하지만, 실제 결정에 존재하는 중간 규모의 미세 구조는 물성에 결정적인 영향을 미친다.

초전도 온도와 같은 일부 물성은 DFT로 예측하기 매우 어려운 영역에 속한다.

따라서 실제 결정의 물성 예측에는 미세 구조를 이해하는 것이 중요하며, DFT만으로는 충분하지 않다.

Ekin Dogus Cubuk은 재료 과학에서 가장 가치 있는 발명품으로 단연 초전도체를 꼽았다.

희토류나 코발트처럼 수급이 불안정한 전이 금속에 대한 의존도를 낮추는 자석 개발이 연구의 주요 과제로 떠올랐다.

배터리 효율 향상도 중요한 과제 중 하나이며, 이는 100년 정도 지속될 수 있는 혁신을 의미한다.

더 나아가 탄소 나노 튜브를 이용한 우주 엘리베이터 구상과 같은 미래 지향적 아이디어도 제시되었다.

인간의 손재주와 기계의 자동화를 조화시켜 데이터 노이즈를 줄이는 것이 중요하다. 고품질의 방대한 데이터 확보가 자동화의 실질적인 목표이며, 기계의 완전한 자율성은 그 수단일 뿐이다.

이는 인간의 손재주와 기계 자동화의 실용적인 조화를 통해 데이터 품질을 관리하고 실험 노이즈를 줄이는 데 중점을 둔다.

결론적으로 자동화는 고품질 데이터 확보를 위한 수단으로서의 가치를 가진다.

swyx는 컴퓨팅 자원과 데이터 품질 사이에 트레이드 오프 관계가 존재하며, 이는 마치 컴퓨팅 비용과 데이터 비용 간의 환율과 같다고 비유한다.

데이터에 포함된 노이즈가 과도할 경우 막대한 컴퓨팅 자원을 투입해도 비효율적인 결과가 나타날 수 있다.

프론티어 모델의 성능 한계를 극복하기 위해 양질의 독점적 데이터 확보가 핵심적인 동력으로 작용한다.

과학적 발견의 전 과정이 모델링의 대상이 된다. 모델은 최종 결과물뿐만 아니라 대화와 실험 설계, 코드 작성 등 데이터의 계보를 추적하며 물리적 시스템과 결합해 연구 가치를 극대화한다.

이를 위해 대화, 직관, 실험 내용, 계산 위치, 작성 코드 등 과학적 발견의 모든 데이터 계보를 추적해야 한다.

Periodic Labs는 물리적 실험 시스템과 AI 모델을 결합하여 전체 연구 과정의 가치를 극대화하고자 한다.

GPT-8과 같은 고차원 모델이 이러한 과학적 과정을 학습하는 데 기여할 것으로 기대한다.

무작위로 가루를 섞는 것만으로는 재료 과학의 효율을 높이기 어렵다. 시뮬레이션과 연계된 자동화 특성 분석이 뒷받침되어야 지능적인 다음 실험 설계가 가능하며, 과거 인간의 영역이던 분석 업무를 AI로 전환해 수준 높은 연구에 집중할 수 있다.

시뮬레이션과 연계된 자동화 특성 분석이 이루어져야만 지능적인 다음 실험 설계가 가능해진다.

이는 과거 인간 과학자가 수행하던 반복적인 업무를 AI 주도형으로 전환하여, 과학자들이 보다 수준 높은 연구에 집중할 수 있도록 돕는 방향으로 이어진다.

기성품 장비에서 발생하는 병목 현상과 오염 문제를 해결하기 위해 직접 실험 기구를 설계하고 제작하는 대안이 추진된다.

로봇 팔의 대기 위치를 이전에 혼합된 물질이 담긴 플레이트 바로 위가 아닌 먼 곳으로 재설계하여 오염 위험을 줄이고 데이터 품질을 향상시킨다.

궁극적으로 실험 규모 확장을 위해서는 자체 장비 개발이 필수적이며, 이를 통해 보다 빠르고 정확한 데이터 확보를 목표로 한다.

Liam Fedus와 Ekin Dogus Cubuk은 PeriodX의 현장 배치 엔지니어와 연구원들이 직접 현장에 상주하며 AI 및 컴퓨팅 시스템을 통합한다고 말한다.

이는 반도체와 같이 보안이 중요한 산업군 파트너사가 목표에 더 빠르게 도달하도록 돕는 현장 밀착형 협업 방식이다.

단순히 기술을 전달하고 알아서 하라고 하는 것보다, 데이터 기반 학습과 모델 통합을 통해 파트너사가 독자적인 AI 지능을 소유하도록 지원하는 것이 가장 효과적인 방법이라고 판단한다.

이러한 접근은 파트너사가 API에 의존하지 않고 자체적인 AI 역량을 구축하도록 돕는 것을 목표로 한다.