10월 9일 오후, 스웨덴 왕립과학원은 2024년 노벨 화학상을 세 명의 과학자에게 수여하기로 결정했습니다. 그중에서도 복잡한 단백질 구조를 예측하는 AI 모델 AlphaFold2가 전 세계의 이목을 집중시켰습니다. 이 상은 48세의 구글 AI 리더 데미스 하사비스와 39세의 존 점퍼에게 돌아갔으며, 화학 분야에서 AI의 엄청난 잠재력을 강조했습니다. 이 기사에서는 화학 공정에서 AI의 몇 가지 응용 사례를 요약하여 산업 효율성을 개선하고 디지털 혁신을 발전시키는 데 AI가 기여한 바를 보여줍니다.
1. 화학 합성의 AI 응용 분야
자동화 및 실시간 반응 모니터링은 다음과 같은 화학 합성의 복잡성을 해결하는 데 필수적인 데이터 풍부한 실험을 가능하게 했습니다. 에틸렌 카보네이트 합성 그리고 폴리락트산 합성. 실시간 분석과 머신러닝(ML) 및 인공지능(AI) 도구를 결합하면 최적의 반응 조건을 빠르게 파악하고 오류 없는 자율 합성을 촉진할 수 있습니다.
대부분의 분자 합성은 용매, 시약, 촉매 등의 재료 입력, 반응 파라미터(온도, 첨가 순서, 시간), 정제 전략의 균형을 맞추는 다단계 변환을 필요로 합니다. 이러한 다각적인 문제를 해결하는 것은 제한된 자원으로 미로를 탐색하는 것과 비슷합니다. 과거에는 화학자들이 과거의 경험에 의존하여 신중한 전략을 수립하고 제한된 데이터를 기반으로 의사 결정을 내려야 했습니다. AI 자동화는 반응 데이터 분석의 양과 정확성을 크게 개선하여 더 짧은 시간 내에 더 나은 결정을 내릴 수 있게 함으로써 이러한 환경을 변화시켰습니다. 예를 들어, 고처리량 실험(HTE) 기법은 잠재적인 반응 조건을 신속하게 조사할 수 있지만, 이러한 기법은 고정된 시점의 분석 결과를 제공하기 때문에 반응 메커니즘이나 동역학과 관련된 중요한 세부 정보가 누락되는 경우가 많습니다.
그림: 스즈키-미야우라 교차 결합 반응의 초효율 액체 크로마토그래피 분석으로, 시간에 따라 출발 물질과 생성물, 일반적인 부산물의 피크 영역이 달라지는 것을 보여줍니다.
머신 러닝과 AI 도구는 실험의 데이터 기반 워크플로우를 강력하게 보완하여 반응 조건의 식별을 가속화합니다. 처리량이 많은 실험 데이터 또는 문헌 소스를 기반으로 구축된 예측 모델은 이전에 테스트되지 않은 변형에 대한 반응 조건을 제안할 수 있습니다. 또한 머신러닝 최적화 알고리즘을 로봇 반응 실행, 엔드포인트 샘플링 및 데이터 추출과 통합하여 자율 최적화 플랫폼이 만들어졌습니다. 이러한 방법은 이상적인 조건을 파악하는 데 필요한 실험 횟수를 줄일 수 있지만 실험 결과를 수율이나 입체 선택성 백분율과 같은 단일 정량 점수로 단순화하는 경향이 있습니다. 이러한 전략에는 장점이 있지만, 실험 결과를 정해진 시간에 한 번의 측정으로 줄이는 것은 화학 반응의 고유한 복잡성을 지나치게 단순화합니다.
많은 연구에서 기존 문헌의 반응 성능 데이터(예: 수율)를 사용할 때 엇갈린 결과가 나타났습니다. 데이터는 가장 일반적으로 발표된 조건에 편향되어 있으며, 최적의 반응 파라미터가 아닌 통상적인 반응 파라미터를 선택하는 경우가 많습니다. 더 심각한 문제는 정량적 측정과 적용된 조건의 이질성으로 인해 보고된 수율이 실험 실패를 반영하는지 아니면 제품 분리의 어려움을 반영하는지 구분하기 어렵다는 점입니다. 합성 데이터를 체계화하려는 노력이 나타나고 있지만 아직 초기 단계에 머물러 있습니다.
실시간 반응 모니터링은 종합적인 운동 데이터를 사용하여 예측 모델을 학습시킬 수 있다는 주요 이점을 제공합니다. 이러한 포괄적인 데이터는 데이터 무결성, 편향성, 지나친 단순화와 관련된 문제를 해결합니다. 전체 반응 프로파일을 기록함으로써 다양한 실험 조건에서 반응 성능의 차이를 포착하고 해석할 수 있습니다. 또한 반응물의 완전한 진화를 추적하여 표적 물질, 부산물, 중간체의 변화를 설명할 수 있습니다. 이러한 추세는 즉각적인 연구 초점이 아닌 잠재적인 변화를 포착하기 때문에 향후 반응 프로세스에 유용한 소스 데이터를 제공합니다. 전반적으로 머신러닝(ML) 방법은 반응의 전체 복잡성을 반영하는 모델을 훈련하는 데 적합합니다.
합성 화학 분야의 데이터 과학 혁명이 가속화되면서 풍부한 실험 데이터에 대한 수요가 증가하고 있습니다. 실시간 반응 분석은 이미 목표 분자에 도달하는 데 필요한 시간을 획기적으로 단축하는 데 사용되고 있습니다. 이러한 자동화된 데이터 수집 방법을 새로운 머신러닝 및 AI 도구와 더욱 통합함으로써 최적의 조건을 예측하고 새로운 합성 경로를 발견하는 능력은 기하급수적으로 증가할 것입니다.
2. 화학 제조 공정에서의 AI 적용
공정 산업의 핵심 요소인 화학 제조에는 수많은 화학 반응과 물질 변형이 수반됩니다. 이제 산업 운영에서 AI는 엔지니어와 데이터 과학자가 일상적인 작업을 수행하는 데 도움을 줄 수 있습니다. 자연어 또는 컴퓨터 언어를 사용해 외부 데이터 소스를 통합하고 다른 솔루션과 함께 작업하는 데 도움을 줄 수 있습니다. 예를 들어, 화학 제조 공정에서 AI는 운영 데이터를 학습하여 대규모 모델 체계를 생성하고 기존 정보를 기반으로 실행 계획을 제안할 수 있지만 최종 결정은 여전히 엔지니어에게 달려 있습니다.
AI는 일상적인 작업을 자동화함으로써 보다 적극적인 역할을 수행합니다. 미리 정의된 규칙과 절차를 따르기 때문에 일상적인 활동에서 사람의 개입이 줄어듭니다. 자동화 지능은 컨베이어 벨트에서 자재나 제품을 분류하는 기계와 같은 로봇 프로세스에서 흔히 볼 수 있습니다.
또 다른 예로, 생성형 AI는 머신러닝 모델 생성이나 기타 컴퓨터 언어 기반 작업이 필요한 작업의 코딩을 지원할 수 있습니다. 또한 정보를 저장하고 검색하여 자연어 프롬프트를 통해 액세스하고 추출할 수 있는 사용 사례 및 해당 규범 정보를 위한 저장소 역할을 할 수 있습니다. 다른 기술과 결합하면 제너레이티브 AI는 더욱 효과적입니다. 예를 들어 검색 증강 생성(RAG)을 사용하면 이러한 데이터베이스에 챗봇을 추가할 수 있습니다. 엔지니어는 API 호출을 통해 고급 산업 분석 소프트웨어에 액세스하여 직접 상호 작용할 수 있습니다. “교대 근무 후 무슨 일이 있었나요?”라고 간단히 질문하면 RAG 지원 GPT가 해당 기간 동안 발생한 이벤트에 대한 자세한 요약을 생성할 수 있습니다.
그러나 AI를 구현하는 데에는 고유한 과제도 있습니다. 가장 중요한 것은 데이터의 품질과 무결성이라는 점입니다. AI 시스템의 효율성은 처리하는 데이터에 따라 달라집니다. 부정확하거나 불완전한 데이터는 잘못된 인사이트와 의사 결정으로 이어질 수 있습니다. 따라서 이러한 솔루션에 정확한 데이터를 제공하는 것은 필수적입니다.
화학 공정 제조는 아직 실험적인 AI 구현 단계에 있습니다. 기업들은 잠재적인 위험을 완화하면서 이러한 솔루션의 이점을 활용하는 방법과 위치를 학습하고 있습니다. 제조 공정에는 여전히 엔지니어의 의사 결정 능력이 필요하기 때문에 업계에서는 신중하게 접근하고 있습니다. 그럼에도 불구하고 점점 더 많은 화학 기업들이 디지털 혁신을 실험하고 있으며, 머신러닝 모델 및 대시보드와 같은 실용적인 애플리케이션이 꾸준히 등장하고 있습니다.
3. 화학 공정의 “이상 감지'에 활용되는 AI
이상 징후 탐지는 AI 적용 사례로 자주 인용됩니다. 예를 들어, 비즈니스 전문가는 시계열 데이터에서 벤치마크 값을 검색하여 예상 패턴의 이상 징후를 식별할 수 있습니다. 이러한 이상 징후는 이해하기 쉬운 방식으로 표시되므로 신속한 대응과 의사 결정이 가능합니다. 이상 징후 탐지는 컨텍스트 데이터에서 이상적인 배치 매개변수에 대한 고유 마커를 생성함으로써 비정상적인 상황을 정의하고 탐지하는 데 도움을 줍니다. 고급의 경우, 자체 조직화 맵(SOM)을 사용하여 개발된 모델은 다변량 컨텍스트 내에서 전역 및 로컬 이상 징후를 모두 감지할 수 있습니다.
한 특수 화학 회사의 공정 엔지니어들은 이상 징후 탐지에 이 기술을 사용하는 것의 이점을 인식했습니다. 데이터 과학자들은 고급 산업 분석 소프트웨어로 운영 데이터를 처리하여 소프트 센서, 이상 징후 감지 점수, 예측 유지보수 알림을 포함하는 모델을 개발했습니다.
이러한 머신 러닝 기능의 통합으로 회사 운영이 크게 개선되었습니다. 특히 배치 처리 시간이 10% 단축되었는데, 이는 하루에 배치 처리 횟수가 한 번 줄어든 것에 해당합니다. 또한 운영 효율성이 개선되어 에너지 소비량이 9% 감소했습니다.
결론 AI는 꾸준히 진화하고 있으며 기술 발전도 빠르게 진행되고 있습니다. 엔지니어는 대량의 기존 데이터를 활용하여 운영을 최적화할 수 있는 즉각적인 인사이트를 얻을 수 있습니다. 동시에 기업들은 미래의 성공을 위해 AI를 활용하기 위해 필요한 많은 조치를 취하고 있습니다.
