본문 바로가기

MIT, '기계 학습 적용한 3D 프린팅 재료 최적화 기술' 개발

반응형

3D 프린터의 활용 범위가 갈수록 넓어지면서 용도에 맞는 프린팅 재료에 대한 수요도 빠르게 증가하고 있다. 특히 새로운 적용 분야에 3D 프린팅 기술을 접목하려면, 먼저 사용 목적에 최적화된 프린팅 재료 개발이 선행되어야 한다. 3D 프린터로 인쇄(제작)하려는 대상이 필요로 하는 질감(toughness)이나 압축 강도(compression strength) 등 고려해야 할 요소가 적지 않다.

 

하지만 새로운 프린팅 재료를 개발하는 이러한 과정에는 많은 시간과 비용을 필요로 한다. 재료 성분 선정과 혼합 등의 개발 과정을 대부분 사람이 수행하기 때문에, 적지 않은 시간과 비용이 소요된다. 이 과정에서 폐기되는 재료 후보 성분으로 인한 환경 영향도 무시할 수 없다. 따라서 이러한 과정을 간소화하고 효율적으로 개선할 수 있다면 개발 기간과 비용을 모두 줄일 수 있다.

 

MIT 연구팀이 개발한 기계 학습 알고리즘을 활용한 3D 프린팅 소재 최적화 기술은 그래서 주목할만하다. MIT 뉴스는 '3D 프린팅을 위한 신소재 발굴 가속화(Accelerating the discovery of new materials for 3D printing)' 기술을 소개하고, 3D 프린팅 재료 개발에 기계 학습을 접목함으로써 시간과 비용이라는 두 마리 토끼를 한 번에 잡을 수 있을 것이라고 밝혔다.

 

MIT와 BASF 연구팀이 개발한 3D 프린팅 재료 개발 시스템을 활용하면, 기계 학습 알고리즘을 적용해 빠르고 효율적으로 3D 프린팅 재료 물질을 찾아낼 수 있다. (자료:MIT News, MIT CSAIL)

 

MIT CSAIL(Computer Science and Artificial Intelligence Laboratory)의 프로젝트 관리자이면서 논문의 공동 저자인 마이크 포시(Mike Foshey)는 "재료 개발은 여전히 매우 수동적인 프로세스다. 화학자가 실험실에 들어가서 손으로 재료를 혼합하고 샘플을 만들고 테스트하고 최종 결과에 도달한다. 그러나 사람은 며칠 동안 몇 번만 반복할 수 있지만, 우리 시스템은 같은 시간 동안 수백 번을 반복할 수 있다"고 전했다.

 

연구팀은 시행착오로 인한 시간 지연을 최소화하기 위해, 무료 오픈 소스 재료 최적화 플랫폼인 오토OED(AutoOED)를 만들었다. 오토OED는 화학 전문가 없이도 재료 최적화 작업을 수행할 수 있는 소프트웨어 패키지다. 최적화 플랫폼에 재료 성분과 화학 조성에 대한 세부 정보를 입력하고, 새로운 재료가 가져야 할 기계적 특성을 정의하면, 알고리즘이 재료의 속성을 확인하며 이상적인 조합 비율을 찾아낸다.

 

이렇게 검색한 조합이 재료의 속성에 어떤 영향을 미치는지 확인하기 위해, 실제 샘플을 혼합해서 실제로 어떤 특성을 갖는지 테스트한다. 이 과정에서 도출한 정보를 테스트할 다른 공식을 결정하는 알고리즘에 적용한다. 이러한 과정을 거치면서 사람이 직접 모든 작업을 수행하던 것 보다 빠르고 효율적으로 재료 선별과 최적화 과정을 완료할 수 있다.

 

연구팀은 자외선에 노출되면 굳어지는 새로운 3D 인쇄 잉크 공식을 최적화하는데 이번에 개발한 시스템을 적용했다. 최적화에 사용할 6가지 화학 물질을 선별하고, 알고리즘 목표를 인성과 압축 계수, 강도 등과 관련해 최고의 성능을 갖도록 설정했다. 알고리즘은 120개의 샘플을 테스트한 후, 세 가지 다른 속성의 최적 조합을 가진 12개의 최고 성능 재료를 도출했다.

 

마이크 포시(Mike Foshey)는 "세 가지 속성을 수동으로 최대화하는 것은 충돌할 수 있기 때문에 특히 어렵다. 예를 들어, 가장 강한 재료가 가장 단단하지 않을 수 있다. 수동 프로세스를 사용하여 화학자는 일반적으로 한 번에 하나의 속성을 최대화하려고 시도하므로, 많은 실험이 필요하고과 시간과 비용이 낭비된다. 하지만, 알고리즘이 생성한 6가지 재료를 기반으로 한 결과는, 예상했던 것보다 훨씬 다양했다"고 밝혔다.

 

재료 성분을 혼합하고 테스트하는 과정까지 로봇을 이용한 자동화로 대체하면, 현재보다 훨씬 빠르고 효율적으로 자동화 프로세스를 진행할 수 있을 것이라고 MIT 연구팀은 밝혔다. 아울러 이번에 개발한 데이터 기반 시스템을 활용한 재료 발견 프로세스는, 3D 프린팅 재료 개발뿐만 아니라, 재료 과학 전반에 걸쳐 광범위하게 적용할 수 있다.

 

마이크 포시(Mike Foshey)는 "예를 들어, 효율성이 더 높고 비용이 저렴한 새로운 유형의 배터리를 설계하려는 경우, 이와 같은 시스템을 사용하여 수행할 수 있다. 또는 성능이 좋고 환경 친화적인 자동차의 페인트를 최적화하려는 경우에도 이번에 개발한 시스템을 활용할 수 있다. 데이터에 기반한 방법과 실험 과학의 조합은 빠르고 효율적으로 필요한 재료를 식별하고 개발할 수 있다"고 전했다.

 

이번 연구는 MIT 전기 공학 및 컴퓨터 과학과 보이치에흐 마투식(Wojciech Matusik) 교수를 비롯해 MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL;Computer Science and Artificial Intelligence Laboratory)의 연구원이 참여했으며, 독일 화학 기업인 BASF(Badische Anilin & Soda Fabrik)가 지원했다. 연구 결과에 대한 논문은 사이언스 어드밴시스에 게재됐다.

 

 Syndicated to WWW.CIOKOREA.COM

 

 

반응형