가설 학습 기반 자동 실험으로 조합 재료 라이브러리 탐색

초록

본 논문은 가설 공간과 실험 공간을 동시에 탐색하는 활성학습 프레임워크를 제시한다. 구조화된 가우시안 프로세스(GP)로 가능한 물리적 행동(가설)을 확률적으로 모델링하고, 강화학습 정책을 통해 실험 파라미터를 최적화한다. Sm‑도핑된 BiFeO₃ 조합 라이브러리에서 피에조레지스폰스 포스 현미경(PFM) 측정을 이용해 농도 구배에 따른 상전이를 효율적으로 발견한 사례를 통해 방법론의 실용성을 입증한다.

상세 분석

이 연구는 전통적인 인간 중심의 물리학적 발견 과정을 알고리즘적으로 재현하려는 시도로, ‘가설‑실험 공동 내비게이션(co‑navigation)’이라는 새로운 활성학습 패러다임을 제안한다. 핵심 아이디어는 두 개의 상호 보완적인 공간을 동시에 탐색한다는 점이다. 첫 번째는 ‘가설 공간’으로, 이는 시스템이 가질 수 있는 가능한 물리적 거동을 파라미터화한 모델들의 집합이다. 저자들은 이를 구조화된 가우시안 프로세스(GP)로 구현한다. GP는 각 가설에 대해 입력 파라미터(예: 조성, 온도 등)와 출력 물성(예: 전기적 응답) 사이의 비선형 관계를 베이지안 방식으로 추정하고, 불확실성을 정량화한다. 이렇게 얻어진 사후 분포는 새로운 실험 설계 시 ‘가설 간 경쟁’ 형태로 활용된다.

두 번째는 ‘실험 공간’이다. 여기서는 실제 실험 장비가 수행할 수 있는 조작(예: 스캔 위치, 합성 조건 등)을 정의한다. 저자들은 강화학습(RL) 에이전트를 도입해, 현재까지 수집된 데이터와 GP가 제공하는 불확실성 정보를 보상 함수에 통합한다. 보상은 주로 ‘정보 획득량(Information Gain)’과 ‘목표 물성에 대한 근접도’를 결합한 형태이며, 이를 최대화하도록 정책을 업데이트한다. 정책 업데이트는 정책 경사법(policy gradient) 혹은 딥 Q‑네트워크(DQN)와 같은 최신 RL 알고리즘을 변형해 적용한다.

특히, 가설 공간과 실험 공간 사이의 피드백 루프가 핵심이다. 실험 결과가 나오면 GP는 해당 데이터를 이용해 가설들의 사후를 갱신하고, 갱신된 불확실성은 다시 RL 정책에 반영되어 다음 실험을 더 정보‑풍부하게 만든다. 이 순환 구조는 인간 연구자가 가설을 세우고, 실험을 설계하고, 결과를 바탕으로 가설을 수정하는 과정을 자동화한 것이라 할 수 있다.

실증 실험으로는 Sm‑도핑된 BiFeO₃ 조합 라이브러리를 사용하였다. 이 시스템은 도핑 농도에 따라 전기적 상전이가 일어나며, PFM을 통해 국부적인 전기 분극을 정밀하게 측정할 수 있다. 저자들은 초기에는 무작위 혹은 격자식 샘플링으로 몇 개의 포인트만 측정하고, GP를 통해 전체 농도‑상전이 맵을 추정한다. 이후 RL 정책이 높은 불확실성을 보이는 농도 구간을 선택해 추가 측정을 수행한다. 결과적으로 전체 라이브러리(수천 개 포인트) 중 몇 십 개의 실험만으로도 상전이 경계와 임계 농도를 정확히 파악할 수 있었다.

기술적 강점으로는 (1) 가설을 명시적으로 모델링함으로써 물리적 해석 가능성을 유지한다는 점, (2) 불확실성 기반 탐색이 실험 비용을 최소화한다는 점, (3) RL 정책이 복잡한 제약(예: 장비 사용 시간, 시료 손상 위험)도 자연스럽게 포함할 수 있다는 점을 들 수 있다. 한계점은 (가) GP의 스케일링 문제로, 고차원 파라미터 공간에서는 커널 선택과 계산 비용이 급증한다는 점, (나) 가설 집합을 사전에 정의해야 하는데, 실제 시스템이 예상 외의 물리적 현상을 보일 경우 가설이 충분히 포괄적이지 못할 수 있다는 점이다. 향후 연구에서는 스파스 GP, 딥 커널 학습, 그리고 자동 가설 생성 메커니즘을 결합해 이러한 제약을 극복하고자 한다.