화학을 위한 인공지능 모델: 재료 및 생명과학 분야의 동향 파악

‍과학 분야의 인공지능 모델 동향  

특정 모델이 선택되는 맥락과 그 영향을 이해하기 위해, 당사는 인공지능 기반 방법을 통합한 학술지 및 특허 패밀리를 포함한 과학 출판물에 대한 포괄적인 분석을 수행했습니다. 전체 동향을 시각화한 결과, 더 많은 모델과 기능이 개발됨에 따라 과학 분야 전반에 걸쳐 이러한 기술의 통합이 증가하고 있음을 보여줍니다(그림 1 참조).

이 시각화의 주요 분류는 다음과 같습니다:  

분류, 회귀 및 클러스터링 모델

분류 모델은 이산 라벨이나 범주를 예측하도록 설계되었으며, 고차원 데이터를 처리하고 해석 가능한 결과를 제공하는 데 특히 효과적입니다. 일반적인 모델로는 데이터를 재귀적으로 분할하여 결과를 분류하는 의사결정나무(DT)가 있습니다. 랜덤 포레스트(RF)는 예측값을 평균화하여 과적합을 줄이는 의사결정나무의 앙상블입니다. 또 다른 일반적인 모델인 서포트 벡터 머신(SVM)은 클래스 간의 최적 경계를 찾으며, K-최근접 이웃(KNN)은 가장 가까운 이웃의 다수 클래스를 분류합니다.  

이러한 모델은 분광학, 현미경 검사 또는 알려진 클래스가 있는 오믹스 데이터와 같이 범주형 결과가 있는 라벨링된 데이터셋(지도 학습)에 널리 적용됩니다. 적용 사례로는 유전자 발현 또는 이미징 데이터에서 질병 유형 분류, 재료 클래스 예측, 독성 또는 반응성에 따른 화합물 분류 등이 있습니다.

회귀 모델은 연속적인 수치 값을 예측하므로 예측 및 최적화에 이상적입니다. 출판물에서 관찰되는 일부 회귀 모델로는 선형 회귀, 로지스틱 회귀, 서포트 벡터 회귀(SVR) 및 기호 회귀가 있습니다. 이러한 모델은 실험, 시뮬레이션 또는 센서나 기기에서 얻은 시계열 데이터의 수치 데이터에 적합합니다. 적용 분야로는 에너지 수준, 붕괴율 또는 입자 궤적 예측, 반응 수율 추정, 분자 성질, 온도 및 강수량 모델링, 전도도, 경도 및 밴드갭 예측 등이 있습니다.

분류 및 회귀와 달리 클러스터링 모델은 라벨링되지 않은 데이터에서 자연스러운 그룹화를 찾아내어 숨겨진 구조를 밝히고 탐색적 분석(비지도 학습)을 지원합니다. 이러한 모델은 이미징, 스펙트럼 및 분자 데이터와 같이 라벨링되지 않은 고차원 데이터셋에 효과적입니다. 이 그룹에 적합한 과학 데이터로는 발현 프로필을 기반으로 유전자나 샘플을 그룹화하고 구조 데이터에서 새로운 재료군을 발견하는 것 등이 있으나 이에 국한되지 않습니다.

인공신경망(ANN)

ANN은 인공 뉴런의 상호 연결된 층을 통해 복잡한 패턴을 학습하도록 설계된 인공지능(AI) 모델의 한 종류입니다. 데이터 내의 복잡하고 비선형적인 관계를 모델링하는 데 강력한 성능을 발휘합니다. 그 결과, 딥러닝의 기반을 형성하며 현대 인공지능의 토대가 되었습니다. 여기에는 순차적 데이터를 위한 순환 신경망(RNN), 장기 의존성을 더 잘 포착하도록 개선된 RNN인 장단기 메모리(LSTM), 그리고 LSTM을 간소화하여 매개변수를 줄인 게이트 순환 유닛(GRU)과 같은 특수 아키텍처가 포함됩니다.  

이러한 모델은 유전자 발현, 단백질 염기서열, 생리학적 신호, 기후 데이터, 입자 물리학, 센서 네트워크 데이터와 같은 시퀀스 및 시계열 데이터에 적합합니다. 이 모델들은 도메인별 개념과 그 관계를 구조적으로 표현한 지식 맵을 활용하여 이미지와 텍스트 간의 정렬을 향상시키는 경우가 많습니다. 이는 시각적 데이터(예: 의료 영상)와 텍스트 설명(예: 임상 노트 또는 진단 보고서) 사이의 의미론적 간극을 메우는 데 도움이 됩니다. 신약 발견 및 개발, 정밀 의학, 의료 영상, 소재 발견 및 설계, 에너지 저장, 제조 및 품질 관리와 같은 분야에서 이들의 도입이 급증하고 있습니다.

하이브리드 방식

ANN과 분류, 회귀, 클러스터링과 같은 기존 머신러닝 모델 간의 비교는 단순히 어느 것이 더 나은지를 따지는 것이 아니라, 이들의 상호 보완적인 역할을 이해하는 것에 관한 것입니다. ANN은 데이터가 복잡하고 비정형이며, 대규모 학습 데이터셋이 존재하고, 표현 학습이 필요한 경우에 탁월합니다. 반면, 기존 머신러닝은 데이터가 적고, 연구 문제에 엄격한 해석 가능성이 요구되며, 입력 데이터가 통계적 관계가 잘 알려져 있고 불확실성 정량화가 필요한 경우에 여전히 강력한 성능을 발휘합니다.

도메인별 모델

도메인별 모델은 관련 출판물 수는 적지만, 다음과 같은 획기적인 연구 성과를 포함하고 있습니다. AlphaFold는 단백질 구조 예측에서 실험적 정확도에 가까운 성과를 달성한 딥러닝 접근 방식입니다. ESMFold는 단백질 언어 모델링을 직접 활용하여 단일 단백질 염기서열로부터 고품질의 구조 예측을 생성하는 또 다른 흥미로운 모델입니다.

자연어 처리(NLP)

NLP는 인간의 언어를 분석, 이해, 해석 및 생성하는 데 사용됩니다. 여기에는 알고리즘이 처리할 수 있도록 텍스트를 토큰(일반적으로 단어 또는 하위 단어)이라는 더 작은 단위로 나누는 토큰화와 같은 작업이 포함됩니다. 텍스트를 표현하는 일반적인 방법은 문법과 단어 순서를 무시하고 단어 빈도를 기반으로 텍스트를 수치 벡터로 변환하는 Bag of Words(BoW) 모델입니다. 또 다른 핵심 기법은 텍스트 내에서 사람, 조직, 위치와 같은 개체를 식별하고 분류하는 개체명 인식(NER)입니다.

NLP 모델은 생물의학 텍스트 마이닝 및 지식 추출 분야에서 광범위하게 응용되고 있습니다. 생물의학 문헌으로 사전 학습된 특수 언어 모델(예: BioBERT, BioGPT)과 전자 건강 기록(EHR) 분석부터 임상 기록에서 질병 특성을 자동 추출하고 언어 모델을 사용하여 새로운 약물 후보를 생성하는 것에 이르기까지 그 범위가 다양합니다. 재료 과학 및 화학 분야에서 NLP는 합성 프로토콜 추출, 재료 성질 예측, 지식 베이스 구축 및 역설계에 사용되어 왔습니다.  

거대 언어 모델(LLM)

이 혁신적인 AI 시스템 계열은 NLP 분야를 완전히 바꾸어 놓았으며 과학 전반에 걸쳐 광범위하게 응용되고 있습니다. LLM은 방대한 양의 텍스트 데이터를 학습하여 언어의 통계적 패턴을 익히는 신경망 기반 시스템입니다. 이들은 정보 추출, 요약, 지식 그래프 구축, 도메인 간 통합 및 생성형 애플리케이션에 사용됩니다.

널리 채택된 LLM으로는 ChatGPT, GPT-3.5, GPT-4를 구동하는 Generative Pre-Trained Transformer(GPT)가 있습니다. Bidirectional Encoder Representations from Transformers(BERT)는 여전히 최고의 언어 모델 중 하나로, 관심 을 받고 있습니다. 이는 양방향 문맥 이해 능력과 질문 답변 및 감정 분석에서의 뛰어난 성능 덕분입니다.  

다국어 모델인 BLOOM은 연구 동향에 중요한 기여를 하고 있습니다. Google DeepMind가 개발한 GEMINI, Meta AI의 LLAMA, Anthropic이 개발한 Claude와 같은 새로운 모델들도 인기를 얻고 있습니다. 2023년에서 2025년 사이에 출시된 Gemma, Falcon, Mistral, Qwen, DeepSeek 등 최신 세대 모델들은 향후 발전 가능성을 크게 보여주고 있습니다.

chemLLM, PharmaGPT, MatSciBERT와 같이 화학, 생명과학, 재료과학 분야의 전문 LLM들도 영향력을 발휘하고 있습니다.

과학 분야에서 AI의 영향력을 보여주는 출판 동향

앞서 언급했듯이, 2015년부터 2025년까지 과학 연구 분야의 AI와 관련된 CAS Content Collection 내 310,000건의 문서를 분석했습니다. 전체 기간 동안 꾸준한 성장을 보였으며, 특히 최근 5년간 두드러진 성장을 기록했습니다(그림 2 참조). 특허 패밀리 수의 증가는 AI가 신흥 기술에서 다양한 산업 전반에 걸친 필수 연구 도구로 진화하고 있음을 시사합니다.
‍

‍

• 국가/지역 및 조직별 분포: 중국이 출판물(학술지 및 특허) 수에서 선두를 달리고 있으며, 미국, 인도, 한국, 일본 또한 꾸준한 출판물 증가세를 보이고 있습니다(그림 3 참조). 전반적으로 이 데이터는 아시아가 글로벌 AI 과학 혁신의 새로운 중심지로 부상하고 있으며, 서구 국가들은 양적 산출 측면에서 뒤처지고 있음을 보여줍니다.

• 특허 패밀리 분포: 상위 5개국의 학술지 및 특허 출판 동향을 추가로 분석했습니다. 중국과 인도는 이 분야 글로벌 특허의 75% 이상을 차지하며, 특허 출원 상위 15개 기관은 모두 중국과 인도에 있습니다. 중국 대학들은 학술지 출판물 수에서 압도적이며, 대부분의 평균 피인용 횟수는 10회에서 20회 사이입니다. 반면, MIT와 스탠퍼드 대학은 각각 32회와 66회라는 훨씬 높은 평균 피인용 횟수를 자랑합니다. 이는 중국이 양적인 면에서 뛰어나지만, AI 분야 학술지의 질과 영향력 측면에서는 미국 대학들이 앞서고 있음을 시사합니다.
• 주요 출판물 분포: AI 기반 연구를 출판하는 주요 과학 학술지의 출판물 수와 피인용 영향력을 분석했습니다. 출판물 수는 다음 학술지가 주도하고 있습니다. Scientific Reports, Applied Sciences및 PLoS One. 그러나 논문당 평균 피인용 수를 고려하면, Proceedings of the National Academy of Sciences (PNAS) 는 상대적으로 적은 출판량에도 불구하고 논문당 약 50회의 피인용 수를 기록하며 탁월한 영향력을 보여줍니다. 이 외에도 Journal of Chemical Information and Modelling (JCIM), Bioinformatics, 및 Nature Communications 역시 놀라운 평균 피인용 수를 보이며, 방대한 출판량을 가진 학술지들을 크게 앞서고 있습니다. 이러한 패턴은 Scientific Reports 와 같은 광범위한 주제의 학술지가 가장 많은 인공지능 관련 연구를 출판하지만, PNAS, JCIM및 Nature Communications 와 같은 전문적이거나 권위 있는 학술지가 더 큰 과학적 영향력을 창출하는 영향력 있는 연구를 더 많이 출판한다는 점을 시사합니다.  ‍
• 과학 분야별 동향: 수많은 분야가 인공지능의 큰 영향을 받았지만, 그중에서도 출판물이 기하급수적으로 증가한 몇몇 분야가 두드러집니다(그림 4 참조):

모든 분야 중 산업화학 및 화학공학은 학술지 출판물에서 가장 극적인 성장을 보였으며, 2024년에는 전체 문서의 약 8%에 달하는 비중을 차지했습니다. 이러한 이례적인 성장은 제조, 공정 최적화, 산업 혁신 전반에 걸친 해당 분야의 광범위한 응용과 더불어 지속 가능한 산업 공정 및 그린 케미스트리 솔루션 개발에서의 핵심적인 역할을 반영합니다.  

분석화학은 학술지 출판물 측면에서 두 번째로 빠르게 성장하는 분야로 부상했으며, 짙은 파란색 선은 2019년 이후 꾸준한 성장세를 나타냅니다. 이러한 강력한 성장 패턴은 화학의 모든 영역에서 해당 분야가 갖는 근본적인 중요성과, 여러 분야의 연구를 뒷받침하는 새로운 측정 기법, 기기 및 분석 방법 개발에서의 역할을 보여줍니다.

에너지 기술 및 환경화학은 견고한 성장을 보이며 생화학과 함께 가장 빠르게 성장하는 분야 3위에 올랐습니다. 이는 기후 변화, 환경 지속 가능성 과제 및 최근의 이슈들에 대한 전 세계적인 긴급한 관심을 반영합니다.

물리화학, 약리학, 독성학 및 제약, 유기화학, 무기화학, 천연물, 합성 고분자를 포함한 나머지 분야들은 모두 완만하지만 일관된 출판량 증가를 보입니다. 이 분야들은 근본 원리가 잘 확립된 성숙한 과학 연구 영역을 대표하지만, 지속적인 조사를 통해 점진적인 발전과 개선이 이루어지고 있습니다.

특허 패밀리 데이터는 학술적 성과에서 나타나는 균일한 성장과는 달리, 매우 다양하고 집중된 혁신 패턴을 보이며 학술지 출판물과는 확연히 다른 양상을 나타냅니다. 이러한 대조는 학술 연구 생산성과 상업적으로 실행 가능한 혁신 사이의 근본적인 차이를 강조하며, 시장의 힘, 실용적 응용 및 경제적 인센티브가 어떤 과학적 진보가 특허 가능한 지식재산권으로 전환될지를 결정하는 데 결정적인 역할을 한다는 점을 보여줍니다.

특허 분야에서 생화학은 지수 함수적인 성장을 보이며 2024년까지 약 8%에 도달하여 다른 모든 분야를 압도했습니다. 생화학 특허 환경은 생물의학적 방법이 주도하며 분자 과학과 고급 의료 기술을 융합하는 혁신에 의해 형성됩니다. 주요 영역으로는 생화학적 표지를 활용하는 질병 탐지, 의료 영상, 웨어러블 모니터링 및 임상 의사결정 지원 등이 있습니다. 또한 생화학은 신경 인터페이스, 게놈학, 바이오마커 발견, 신호 처리, 수술 안내 및 생물의학 제조 분야의 발전을 주도하며 현대 생물의학 혁신에서 중심적인 역할을 하고 있음을 보여줍니다. 이러한 극적인 특허 활동은 생명 과학 연구 전반에 대한 강렬한 상업적 관심과 투자를 반영하며, 상업적 연구에 상당한 자금이 지원되었던 코로나 팬데믹에 대응하여 더욱 촉진되었습니다.

분석 결과, AI 관련 출판물의 대다수가 생물의학 연구 및 재료 과학과 관련이 있음을 확인했습니다. 따라서 해당 분야들이 데이터셋을 지배하고 있으며, 주목할 만한 연간 성장률과 함께 AI 도입이 빠르게 이루어지고 있고, 과학적 연관성을 나타내는 높은 인용 영향력을 보이고 있기에 이 핵심 연구 분야들에 대한 심층 분석을 수행했습니다.

생물의학 연구에서의 AI 모델 응용

개요

생물의학 연구는 복잡성과 비용이라는 지속적인 과제에 직면해 왔으며, 이제 AI가 이를 해결할 수 있게 되었습니다. 예를 들어, 복잡한 단백질 구조와 상호작용의 해독, 약물 개발과 관련된 높은 비용과 실패율, 다요인 질병 메커니즘 이해의 복잡성 등은 모두 AI 기반 접근 방식에 적합한 과제들입니다.  

본 분석의 근거는 문서 빈도를 객관적인 지표로 사용하여 핵심 개념을 식별함으로써 가장 중요한 연구 분야를 대표적으로 샘플링하는 것이었습니다. 구체적으로, 생물의학 분야 내에서 여러 AI/ML 방법을 사용하여 상당한 과학적 관심과 연구 투자를 유도한 개념들을 식별했습니다(그림 5 참조).

‍

생화학 분야에서 단백질 염기서열과 구조, 유전자 및 유전자 발현, DNA/유전체학은 다양한 인공지능 접근 방식을 활용하여 가장 광범위하게 연구되는 개념으로 부상했습니다. 인공지능 모델은 데이터의 풍부함과 표준화 덕분에 단백질 계층 구조나 유전자 조절 네트워크와 같은 복잡한 시스템에서 특히 뛰어난 성능을 발휘합니다. 인공지능 은 다음과 같은 작업에서 염기서열-기능 매핑, 단백질 패밀리 분류, 도메인 예측, 구조-기능 분석, 종양 특징 선택, 암에서의 유전자 상호작용 예측, 종양학에서의 발현 패턴에 따른 유전자 클러스터링 등의 작업에서 탁월하며, 수천 개의 유전자가 동시에 측정되는 고차원 발현 데이터, 유전자와 표현형 간의 복잡한 비선형 관계, 유전적 조절 네트워크의 계층적 구성을 활용합니다.

AlphaFold 및 BERT와 같은 고급 인공지능 모델은 사용되어 아미노산 염기서열과 진화 패턴을 학습하여 3D 폴딩 및 기능적 도메인을 예측함으로써 단백질 구조를 예측합니다. 이러한 모델은 복잡한 공간적 관계와 장기 의존성을 가진 순차적 입력을 효과적으로 처리합니다.

모델링 및 약물 설계 분야에서는 QSAR 모델링이 주를 이룹니다. 이 분야는 인공지능 방법을 활용하여 화학 구조에서 분자 기술자(즉, 물리화학적 성질, 지문)를 추출함으로써 예측 합니다. 지도 학습 접근 방식을 통해 생물학적 활성과 독성 종말점을 예측합니다. 이러한 방법은 특징이 풍부한 분자 기술자, 구조-활성 관계, 회귀 작업에 적합한 정량적 종말점에서 뛰어난 성능을 보입니다.

두 번째로 빈번한 개념인 분자 도킹은 3D 구조 데이터와 분자 그래프에 딥러닝 접근 방식(CNN 및 GNN)을 사용하여 단백질-리간드 결합 자세와 친화도를 예측하며, 공간적 형태, 에너지 지형, 분자 상호작용을 활용합니다. 약동학이 그 다음 중점 분야로, 인공지능을 사용하여 분자 기술자, 생리학적 매개변수, 시계열 데이터를 학습함으로써 ADMET 성질(흡수, 분포, 대사, 배설, 독성)과 약물 제거율을 예측합니다.

생체표지자 주도하는 진단 영역 에서는 머신러닝(ML) 방법이 분석 하여 고차원 유전체학, 단백질체학, 대사체학 데이터를 통해 특징 선택 및 분류를 수행함으로써 질병 상태와 건강한 대조군을 구별하는 분별적 분자 서명을 식별합니다. 인공지능(AI) 방법은 또한 예후 연구에서 환자의 임상 데이터와 치료 이력을 분석하여 생존 분석 기법을 통해 생존 시간과 질병 진행을 예측하는 데 사용됩니다.  

의료 영상에는 X-레이, CT, MRI 및 딥러닝 방식에 이상적인 구조화된 공간 정보가 포함되어 있습니다. CNN은 자동화된 패턴 인식을 통해 종양 탐지, 골절 식별, 질병 분류 및 병리학적 상태를 파악하기 위한 방사선 영상 분석에 널리 사용됩니다. 영상 기술은 또한 딥러닝의 다중 스케일 특징 추출 및 분할 작업 수행 능력을 통해 이점을 얻을 수 있으며, 특히 암 진단 분야에서 종양 탐지, 분류, 악성도 평가 및 위험 예측을 지원합니다.

질병 영역에서는 질병 영역, 암 연구가 가장 큰 주목을 받았으며, 데이터 유형에 따라 다양한 ML 모델이 적용되었습니다. 유전체 및 전사체 데이터는 일반적으로 분석 되며, 암 아형 분류 및 치료 예측을 위해 RF 및 SVM 모델이 사용됩니다. 이러한 작업은 이점을 얻습니다 다양한 분자 층을 포착하는 다중 오믹스 데이터를 통합하고 이질적인 종양 미세환경의 복잡성을 모델링함으로써

당뇨병 연구에서는 다양한 알고리즘이 예측 하는 데 사용되며, 종단적 모니터링 데이터, 생활 습관 요인과 유전학 간의 복잡한 상호작용, 혈당 수치에 대한 시계열 예측 문제를 활용하여 당뇨병 합병증을 예측하고 치료 프로토콜을 최적화합니다. 알츠하이머병, RF 및 SVM 모델은 신경심리학적 검사 점수, 바이오마커 수치(아밀로이드 베타, 타우 단백질) 및 인구통계학적 데이터를 분석하여 환자를 건강한 상태 또는 경도 인지 장애 범주로 분류함으로써 조기 예측에 널리 사용됩니다.

치료 영역에서는 항종양제가 가장 많은 연구 관심을 받았으며, 분자 기술자 및 화학적 성질을 분석하여 잠재적인 항암 활성을 가진 화합물을 식별하기 위한 약물 스크리닝 및 활성 예측에 인공지능 방법을 활용합니다. 화학 요법에서 이러한 방법은 환자의 임상 데이터, 유전적 프로필 및 종양 특성을 분석하여 약물 선택 및 투여 프로토콜을 개인화함으로써 치료 반응과 방법 을 예측합니다. 마찬가지로, 이러한 모델은 독성 을 분석하여 면역 프로필, 종양 돌연변이 부담 및 바이오마커 발현을 분석함으로써 면역 요법을 지원하고, 반응을 예측하며 치료 결과를 최적화하여 면역 상호작용 및 시간적 역학의 복잡성을 해결합니다. 지원 합니다.  

인공지능 모델과 생물의학 개념의 동시 발생

본 분석은 생물의학 개념과 다양한 인공지능/머신러닝 방법 간의 동시 발생 패턴을 탐구하여 5개 영역 전반에 걸친 전략적 응용을 명확히 합니다(그림 6 참조).

랜덤 포레스트(RF) 은 생물의학 연구에서 지배적인 인공지능 방법으로 부상했으며, 두 기간 사이에 놀라운 성장을 보이며 서포트 벡터 머신(SVM)을 추월했습니다. RF는 생물의학 과학의 모든 영역, 특히 생화학, 진단 및 질병 관련 연구 전반에 걸쳐 개념들과 강력한 동시 발생을 보입니다. RF는 아미노산 조성, 염기서열 모티프 및 물리화학적 성질을 분석하여 단백질을 기능적 패밀리로 분류함으로써 단백질 기능 예측 및 분류에 사용됩니다. 바이오마커 발견 분야에서 RF는 고차원 유전체학, 단백질체학 및 대사체학 데이터를 분석하는 데 사용됩니다.

서포트 벡터 머신(SVM) 은 두 기간 사이에 꾸준히 성장하면서 단백질, 유전자 발현, DNA 및 유전체학, 바이오마커, 예후, 의료 영상 및 암 연구 분야에서 상당한 입지를 유지하고 있습니다. 단백질 연구에서 SVM은 아미노산 염기서열, 구조적 특징 및 물리화학적 성질을 분석하여 단백질 분류 및 기능 주석 작업에 사용됩니다. 또한 커널 기반 고차원 특징 공간 매핑을 사용하여 세포 내 위치를 예측하고 효소 클래스를 식별합니다.  

유전자 발현 분야에서 SVM은 특정 생화학적 과정에 관여하는 유전자를 식별하고, 대사 경로를 분류하며, 다양한 생화학적 조건 및 세포 상태에 걸친 발현 패턴을 기반으로 효소 암호화 유전자를 예측합니다. 유전체 변이 분류를 위해 SVM은 DNA 염기서열 특징과 주석을 처리하여 병원성 돌연변이와 양성 돌연변이를 구별하고, 뉴클레오타이드 패턴과 유전체 맥락에 대한 고차원 특징 분석을 통해 질병 관련 유전체 영역을 식별합니다.  

바이오마커 연구에서 SVM은 진단, 치료 반응, 질병 진행 위험 평가를 위한 예측 모델에 여러 바이오마커를 통합하고 개인 맞춤형 의학 접근법을 위해 환자를 계층화함으로써 식별, 분류 및 검증을 지원합니다. SVM은 암 연구에서 암 조직과 정상 조직을 구별하고, 암 유형을 분류하며, 특정 암 내의 분자 아형을 식별하는 데 사용됩니다. 또한 임상 매개변수, 바이오마커 프로필 및 유전체 특징을 통합하여 환자의 생존 결과, 치료 반응, 약물 내성 패턴 및 재발 위험을 예측함으로써 암 예후 및 치료 예측에도 사용됩니다. 그림 6B는 SVM이 QSAR 및 SAR 모델링에서 강점을 유지한 반면, 후기 기간에는 RF에 비해 단백질 분석과의 연관성이 약화되었음을 보여줍니다.

로지스틱 회귀(LR) 는 생물의학 연구에서 널리 사용되는 해석 가능한 통계 방법으로, 단백질, 유전자 발현, 바이오마커, 예후, 의료 영상, 암 및 COVID-19와 같은 핵심 개념과 자주 함께 나타납니다. 단백질 기능 예측에서 LR은 아미노산 조성, 염기서열 특징 및 구조적 성질을 분석하여 단백질을 기능적 또는 구조적 범주로 분류합니다. 이 모델의 주요 장점은 각 특징이 분류 결정에 미치는 상대적 기여도를 나타내는 해석 가능한 계수를 제공하여, 연구자가 어떤 아미노산 성질이나 구조적 특징이 예측에 가장 강력한 영향을 미치는지 식별할 수 있게 한다는 점입니다.  

이러한 해석 가능성은 유전자 발현 분류에서도 똑같이 가치가 있으며, LR은 차별적으로 발현되는 유전자를 식별하는 데 도움을 줍니다. 바이오마커 검증 및 진단을 위해 LR 모델은 질병/건강 또는 반응자/비반응자와 같은 이진 결과를 예측하고 진단 의사결정을 위한 임상적으로 의미 있는 오즈비를 제공합니다. 예후 모델링에서 LR은 임상 매개변수, 바이오마커 프로필 및 환자 인구 통계학적 특성을 평가하여 사망/생존, 질병 재발/관해, 유리한/불리한 예후와 같은 결과를 예측함으로써 유사한 이진 결과 예측을 사용합니다.

LR은 동반 질환, 활력 징후 및 바이오마커를 통합하여 COVID-19 진단, 중증도 예측 및 사망률 예측에 사용되며, 위험 계층화 및 임상 의사결정을 지원합니다. 이러한 다양한 응용 분야는 LR이 핵심 생물의학 연구 주제와 강력하게 부합함을 강조하며, 해석 가능하고 임상적으로 관련 있는 모델링을 위한 기초 도구로 자리매김하게 합니다. 그림 6B는 연속적인 예측으로 제한되는 선형 회귀와 달리 다중 클래스 분류 및 확률 기반 출력 기능 덕분에 로지스틱 회귀의 적응성이 증가했음을 보여줍니다.  

그림 6B에서 볼 수 있듯이, 2020-2024년 기간에는 이전에는 거의 존재하지 않았던 전문화된 딥러닝 접근 방식이 등장했습니다. 예를 들어 AlphaFold가 있습니다. 또한 이 기간에는 분자 상호작용 모델링을 위한 그래프 신경망(GNN), 합성 데이터 생성을 위한 그래프 생성적 적대 신경망(GAN), 그리고 패턴 인식 이 영상 응용 분야 및 진단 과제에 급증했습니다.  

최근 몇 년간의 또 다른 주요 변화는 NLP 기술을 생물의학 연구에 통합한 것으로, 임상 보고서 마이닝 및 생물의학 텍스트 분석을 위한 BERT와 같은 모델의 부상이 이를 잘 보여줍니다. 이러한 전문화는 일반적인 인공지능 방법을 적용하는 단계를 넘어 특정 생물의학적 과제를 위한 맞춤형 접근 방식을 개발하는 방향으로 분야가 성숙해졌음을 반영합니다.

연구 우선순위는 두 기간 사이에 상당히 변화했습니다. 단백질 염기서열 및 구조 분석과 유전자 발현 분석은 2020-2024년에 크게 성장했습니다(그림 6B). 바이오마커 발견 및 영상 응용 분야도 극적인 성장을 경험했으며, 질병별 연구는 상당히 확대되어 COVID-19가 주요 초점으로 부상하고 암 연구는 여러 아형으로 다변화되었습니다.  

생물의학 연구에서의 물질

이 비교는 충분히 탐구되지 않은 치료 기회에 대한 전략적 통찰력을 제공하며, 과학적 발견과 임상 적용 사이의 간극을 메우기 위해 연구 투자 확대나 혁신적인 접근 방식이 필요한 물질 분류를 강조합니다(그림 7 참조). "물질 분류"는 치료적 잠재력이 인정된 CAS 색인 물질의 범주를 의미합니다.  

저소분자 약물 은 제약 연구 및 개발을 계속해서 주도하고 있으며, 인공지능 기술이 그 발견을 가속화하고 있습니다. 머신러닝 기반의 가상 스크리닝, QSAR 모델링 은 약동학 예측을 위한 필수 요소가 되었으며, 딥러닝 시스템은 합성 경로를 최적화하여 이 과정의 핵심적인 부분이 되었습니다. 이러한 혁신은 확립된 합성 경로, 잘 규명된 약동학, 경구 생체 이용률, 비용 효율적인 제조 등 저소분자가 가진 고유한 장점을 기반으로 합니다.

단백질/펩타이드 치료제 는 두 번째로 많이 연구되는 범주입니다. AlphaFold와 같은 도구는 단백질 구조 예측에 혁명을 일으켰으며, 당뇨병 치료를 위한 인슐린, 뇌졸중 치료를 위한 조직 플라스미노겐 활성제, 암 및 자가면역 질환을 위한 단일클론항체와 같은 치료용 단백질의 설계 및 최적화를 가능하게 했습니다. 머신러닝 모델은 단백질-단백질 상호작용을 예측하고 펩타이드 안정성을 최적화함으로써 이 분야를 더욱 발전시키고 있습니다.  

염 및 염 화합물 은 용해도, 생체 이용률 및 안정성을 예측하는 인공지능 기반 제형 최적화 알고리즘의 혜택을 받으며, 이는 약물 제형 및 생체 이용률 최적화의 중요성을 반영합니다. 중요한 치료 전달 시스템 역할을 하는 고분자는 인공지능으로 설계된 나노입자 제형, 머신러닝으로 최적화된 하이드로겔 특성, 그리고 치료 효능과 조직 특이성을 향상시키는 표적 약물 전달을 위한 예측 모델링을 통해 개선되고 있습니다.  

배위 화합물 은 또 다른 유망한 분류군으로, 인공지능이 리간드 설계 및 금속-유기 골격체 (MOF) 최적화를 지원합니다. 이러한 화합물은 금속-리간드 상호작용과 생물학적 활성을 예측하는 계산 화학 및 인공지능 모델을 통해 정교화되고 있습니다.

재료 과학 분야에서의 인공지능 모델 적용

개요  

~에서 재료 과학, 재료 조성, 구조적 특징, 성질 간의 복잡한 관계를 이해하고 예측하는 것은 재료 발견을 가속화하는 데 필수적입니다. 관련된 데이터는 종종 다차원적이고 계층적이며 이질적이며, 대용량 데이터 집약적 프로세스를 통해 생성됩니다. 인공지능, 특히 머신러닝은 이러한 복잡한 데이터셋의 분석을 가능하게 함으로써 해당 분야를 혁신하고 있습니다. 당사는 CAS Content Collection을 분석하여 인공지능 방법론이 적용되는 주요 재료 과학 개념을 식별하고 재료 발견 및 성질 예측에서의 중요성을 평가했습니다(그림 8 참조).

‍

‍

에너지 저장은 다음 분야에서 가장 인공지능 집약적인 연구 영역입니다. 응용 부문, 이는 고급 배터리 기술과 지속 가능한 에너지 솔루션에 대한 전 세계적인 요구를 반영합니다. 머신러닝 기법은 강력한 도구 가 되었으며, 연구자들은 직접적인 성질 예측, 머신러닝 잠재력, 역설계라는 세 가지 주요 전략을 활용하고 있습니다. 이 분야에서 인공지능 연구가 집중되는 이유는 배터리 시스템의 복잡한 다중 스케일 특성 때문이며, 기존의 실험적 접근 방식은 재료 조성, 구조, 전기화학적 성능 간의 복잡한 관계를 최적화하는 데 종종 한계가 있습니다.

재료 및 장치 범주에서 세라믹, 압전 세라믹, 센서, 전계 효과 트랜지스터 분야의 활발한 인공지능 활동은 이러한 재료와 장치의 정교한 특성을 반영합니다. 이러한 첨단 재료는 종종 머신러닝 접근 방식에 이상적인 복잡한 구조-성질 관계를 나타냅니다.  

구조적 특징, 합성곱 신경망(CNN)과 컴퓨터 비전이 현미경 이미지에서 자동화된 분류, 분할 및 특징 추출을 가능하게 하여 미세 구조 분석에 사용되고 있음을 확인했습니다. 이러한 도구들은 이전에는 정량화하기 어려웠던 구조와 성질 간의 관계를 밝혀내는 데 기여하고 있습니다. 금속공학 분야에서는 표적 인공지능 접근 방식이 초합금 개발을 앞당기고 있으며, CAMEO(폐루프 자율 재료 탐색 및 최적화)와 같은 시스템은 인공지능과 고속 실험을 통합하여 조합 금속공학을 가능하게 합니다. 또한, 3D 단층 촬영 데이터를 위한 머신러닝 도구는 다공성 재료 분석을 향상시켜 투과성 및 기계적 강도와 같은 성질을 더욱 정확하게 모델링할 수 있게 합니다.

유전율과 전기 전도도는 다음 분야의 주요 개념입니다. 성질/재산, 반면 압전성은 다음 분야를 주도합니다. 현상. 다음 분야에서 시뮬레이션 및 모델링, 컴퓨터 모델링은 높은 인공지능 도입률을 보이며, 이는 데이터 분석 작업과 머신러닝의 자연스러운 호환성과 일치합니다.

그림 7에서 보라색과 혼합색 영역으로 표시된 중간 정도의 인공지능 활동 영역은 인공지능 도입이 가속화되고 있지만 개선의 여지가 있는 분야입니다. 예를 들어, 주로 파란색으로 표시된 일부 재료 분야의 낮은 활동성은 과학의 가장 확립되고 근본적인 영역을 나타내며, 가장 성숙한 분야가 인공지능 통합 수준은 가장 낮은 역설적인 상황을 보여줍니다. 복합 재료와 고분자가 이 범주의 대표적인 예입니다.  

그러나 특정 과제를 해결하기 위해 전문화된 인공지능 모델이 개발되고 있습니다. polyBERT 모델은 고분자 구조를 화학 언어로 취급하여 복잡한 고분자 시스템을 더욱 효과적으로 모델링할 수 있게 합니다. 다음 분야의 경우 결정질 재료, MEGNet, CGCNN, SchNet과 같은 모델은 결정 대칭성과 양자 상호작용을 통합하며, ALIGNN은 정확한 합금 성질 예측에 필수적인 고차 원자 상호작용을 포착합니다.

인공지능 모델과 재료 과학 개념의 동시 발생

생물의학 분석과 마찬가지로, 재료 과학 분야의 인공지능 방법론과 동시 발생 개념을 면밀히 살펴보았습니다. 랜덤 포레스트(RF), 서포트 벡터 머신(SVM), 그래디언트 부스팅 머신(GBM), 의사결정 나무(DT)와 같은 전통적인 머신러닝 모델이 예측 및 특징 중요도 분석에 널리 사용되고 있음을 확인했으며, 이는 재료 정보학에서 흔히 볼 수 있는 비선형 관계를 가진 고차원 데이터 때문입니다(그림 9 참조).

RF 모델 은 모든 개념 영역에서 널리 사용되고 배포됩니다. GBM 모델과 함께, 이들은 비선형 관계를 모델링하고 혼합 데이터 유형을 처리하는 능력 덕분에 복잡하고 이질적인 재료와 강한 동시 발생을 보입니다. 이 모델들은 종종 이질적인 복합 재료, 기계적 성질 예측, 그리고 매트릭스와 보강재 간의 복잡한 상호작용을 포착하여 수행하는 파손 분석에 사용됩니다.  

합금 분야에서도 이러한 동시 발생을 확인할 수 있는데, 여기서 RF는 합금 조성의 비선형 관계를 매핑하여 고엔트로피 합금 설계, 석출 강화 예측 및 열처리 최적화에 도움을 줍니다. GB는 항복 강도나 내식성 최적화와 같은 정밀한 물성 조정을 위해 점점 더 많이 적용되고 있습니다.

SVM 은 구조와 물성 간의 관계가 명확하게 정의된 재료에 더 자주 사용됩니다. 이러한 유형의 모델은 고정 차원 특징 벡터를 사용하여 합금 유형과 임계값을 분류하는 데 효과적입니다. 온도 의존적 물성 또한 종종 비선형 패턴을 따르며 조성, 공정 이력 및 환경 조건에 따라 달라지는데, 트리 기반 방법과 SVM은 이를 효과적으로 포착합니다.

미세 구조와 같은 구조적 특징의 경우, 앙상블 모델을 사용하여 복잡한 이미지에서 특징을 식별하고, 결정립계, 상 및 결함을 분류하며, 대칭성을 고려한 모델이 필요한 분류 문제로 주로 다루어지는 결정 구조를 예측합니다. 원자 규모에서 거시적 규모에 이르는 표면 물성은 표면 에너지와 반응성의 복잡한 패턴을 포함합니다. 이러한 응용 분야는 이미지 데이터의 전처리, 다중 스케일 특징 추출, 그리고 특히 촉매, 부식 및 접착 연구를 위한 대칭성과 주기성의 인코딩을 필요로 하며, 종종 분자 모델링과의 통합이 요구됩니다.

응용 분야는 상당히 확장되었으며, 배터리 연구 분야에서 극적인 성장을 보이고 있습니다. 그림 9A와 9B는 배터리 용량 예측, 전극 재료 선택 및 시간 의존적 공정을 위한 복잡한 상호작용을 처리하는 데 있어 RF와 전기화학 공정 간의 강력한 상관관계를 확인시켜 줍니다.  

2020-2024년 기간 동안 에너지 관련 응용 분야(에너지 저장, 발전)의 등장은 이 분야의 다각화를 보여줍니다. LSTM(Long-Short Term Memory)은 배터리 열화 예측 및 사이클 성능 예측에 중요한 시간적 역학을 포착합니다. 또 다른 새로운 상관관계는 충전 프로토콜과 재료 사용을 최적화하고 배터리 관리 시스템에 사용될 수 있는 강화 학습(RL)입니다. 칼만 필터(Kalman filters) 또한 배터리 및 이차 전지와 함께 관찰되며, 공정 중 재료 상태를 추적하고 배터리의 상태 추정 및 잔여 수명 예측을 수행하는 데 사용됩니다.  

트랜스포머(Transformers)는 과학 문헌에서 합성 절차와 재료 물성을 추출하고 복잡한 재료 설명에서 장거리 의존성을 포착하는 데 사용됩니다. CNN(합성곱 신경망)과 GAN은 2D/3D 구조에서 특징 추출을 자동화하고 물성 예측 및 패턴 인식을 지원합니다. 강력한 성능에도 불구하고 더 많은 데이터와 연산이 필요하며 해석 가능성이 낮기 때문에 기존 모델을 대체하기보다는 보완하는 역할을 합니다. 신경망(NN)은 이미지 기반 분석 및 생성 설계에 점점 더 많이 사용되는 반면, 기존 방법은 제한된 데이터셋으로 조성-물성 매핑을 수행하는 데 강점을 유지합니다. 이것이 바로 신경망과 기존 모델이 결합되어 사용되는 또 다른 이유입니다. 또 다른 발전 방향으로는 대칭성과 물리적 제약 조건을 통합한 재료 특화 CNN 아키텍처가 있으며, GNN은 원자 및 분자 구조 분야에서 주목받고 있습니다.  

재료 과학 분야의 물질

CAS 색인 물질 범주로 돌아와서, 재료 과학 분야에서 이러한 물질과 관련된 출판물 수를 분석했습니다(그림 10 참조).
‍

지배적인 유기/무기 저분자 인공지능 기반 연구는 고분자와 같은 대규모 복잡한 시스템에 비해 계산 비용 측면에서 소규모 구조를 다루는 데 있어 해당 분야의 계산적 이점과 데이터 풍부함을 반영합니다. 약 6,500건의 학술지 기사를 보유한 이 범주는 수십 년간 축적된 화학 데이터베이스의 이점을 누리고 있습니다.  

저분자 화합물은 분자 기술자, 지문, 그래프 기반 표현을 사용하여 그 특성을 효과적으로 인코딩할 수 있기 때문에 머신러닝 접근 방식에 특히 적합합니다. 이 분야의 방대한 연구량은 또한 제약 및 화학 산업이 신약 개발, 촉매 설계, 분자 특성 예측을 위한 인공지능에 막대한 투자를 하고 있음을 보여줍니다.  

원소는 약 5,500건의 기사로 2위를 차지했으며, 마찬가지로 방대한 데이터베이스와 상대적으로 단순한 구조 덕분에 인공지능 기반 특성 예측 및 재료 발견을 위한 이상적인 후보가 됩니다.

표 형식의 무기 재료는 약 4,500건의 학술지 기사를 보유하고 있으며, 인공지능이 상당한 응용 분야를 찾은 또 다른 영역입니다. 세라믹, 산화물 및 기타 구조화된 무기 화합물을 포함하는 이러한 재료는 효과적인 머신러닝에 필요한 대규모 데이터 세트를 제공하는 결정학 데이터베이스와 체계적인 특성 측정의 이점을 누립니다. 이러한 재료의 구조적 특성 덕분에 결정 구조, 조성 및 결합 특성을 기반으로 일관된 특징 공학이 가능합니다. 인공지능 연구에서 이 범주가 두드러지는 것은 에너지 저장, 촉매 작용, 전자 및 자기 응용 분야를 위한 새로운 기능성 재료 발견에 집중하는 재료 과학 커뮤니티의 관심을 반영하는 것으로 보입니다.

고분자 연구는 약 1,800건의 학술지 기사로 인공지능 도입이 보통 수준이며, 고분자의 산업적 중요성을 고려할 때 낮아 보일 수 있습니다. 이는 복잡한 사슬 구조, 분자량 분포, 가공 의존적 특성 등 고분자가 인공지능 응용 분야에 제시하는 고유한 과제를 반영하는 것으로 보입니다. 그러나 연구량이 증가함에 따라 고분자 특성 예측, 합성 및 가공 최적화에 인공지능을 적용하는 사례가 늘고 있음을 시사합니다.

분석에서 얻은 또 다른 중요한 결과는 모든 재료 과학 범주에서 특허 패밀리가 학술지 기사의 일부에 불과하다는 점입니다. 학술지와 특허 수의 격차는 재료 과학 분야의 인공지능 연구 대부분이 여전히 기초 또는 탐색 단계에 머물러 있으며, 학술적 발견과 상업적 단계에서 특허 보호를 받을 가치가 있는 실용적 응용 사이에는 상당한 시간 차이가 있음을 시사합니다.

상대적으로 적은 특허 수는 인공지능 기반 재료 발견을 상업적으로 실행 가능한 기술로 전환하는 데 따르는 어려움을 반영할 수도 있습니다. 이 분야의 많은 인공지능 응용 분야는 즉시 특허를 받을 수 있는 발명보다는 특성 예측과 근본적인 이해에 초점을 맞추고 있기 때문입니다. 다양한 재료 유형에 걸친 일관된 비율은 학술적 성과를 상업적으로 전환하는 과제가 특정 재료 등급에 국한된 것이 아니라 재료 과학 전반에 걸쳐 보편적임을 나타냅니다.

공정 관리 분야의 인공지능

인공지능은 더 스마트하고 빠르며 적응력이 뛰어난 의사결정을 가능하게 함으로써 공정 관리를 변화시키고 있습니다. 이 영역에서 인공지능의 역할을 분석하면 자동화, 예측 분석 및 실시간 최적화가 어떻게 산업 전반에 걸쳐 운영 우수성을 주도할 수 있는지 알 수 있습니다(그림 11 참조).

인공지능 기반 최적화는 적층 제조, 석유화학 산업, 플라스틱 가공, 야금, 흐름 화학, 촉매 공정, 신약 개발 및 합성 분야에서 널리 사용됩니다. 일반적으로 사용되는 모델로는 반응 표면 방법론(RSM), 실험 계획법과 함께 ANN, 하이브리드 모델, PINN, LLM 및 강화 학습 접근 방식과 같은 머신러닝 기법이 있습니다. 예측 모델링을 실시간 의사결정 및 자동화로 확장하는 몇 가지 다른 기술을 살펴보겠습니다.

• 실시간 모니터링: 이러한 시스템은 머신러닝을 사용하여 스트리밍 데이터를 분석함으로써 패턴, 추세 및 조기 경고 신호를 감지하여 동적 예측과 선제적 의사결정을 촉진합니다. 주요 혁신 기술로는 실시간 입력을 기반으로 매개변수가 자동으로 조정되는 자율 의사결정, 장애가 발생하기 전에 예측하는 예지 보전, 변화하는 조건에 적응하는 자가 학습 모델이 있습니다. 또한 실시간 데이터 시각화 및 지능형 경고 시스템은 운영자가 실시간 공정 데이터와 상호 작용하는 방식을 변화시키고 있습니다. 이러한 발전은 자동화된 크로마토그래피 시스템 및 제약 제조의 약물 반응 모니터링과 같은 산업 전반에 적용되고 있습니다. 또한 고분자 생산의 특성 최적화, 폐기물 관리의 고형 폐기물 분석, 환경 모니터링, 대규모 수소 생산을 위한 에너지 및 자원 관리, 노후 인프라를 위한 클라우드 기반 에너지 관리 분야에서도 이러한 기술이 사용되는 것을 볼 수 있습니다. ‍
• 소프트 센서: 물리적 센서의 실시간 데이터를 활용하는 소프트 센서는 인공지능과 통계 모델을 사용하여 직접 측정하기 어렵거나 비용이 많이 드는 변수를 추정합니다. 이는 바이오 공정 모니터링, 폐수 및 대기질 모니터링을 포함한 다양한 산업 분야에 널리 적용됩니다. 화학 공정 제어 분야에서 소프트 센서는 복잡한 황화광물 부유 선광, 이성질화, 반응 증류 및 가솔린 혼합을 모니터링하는 데 사용됩니다.
• ‍디지털 트윈: 이러한 혁신 기술은 물리적 시스템의 가상 복제본으로, 인공지능 통합을 통해 실시간 최적화, 예측 분석 및 자율 운영을 가능하게 하며 빠르게 발전하고 있습니다. 인공지능은 과거 및 실시간 데이터로부터 학습하여 미래 상태를 시뮬레이션하고, 이상 징후를 감지하며, 고장을 예측함으로써 디지털 트윈을 정적 모델에서 탄력적이고 자가 최적화되는 시스템으로 변화시킵니다. 제조 분야에서 인공지능 기반 디지털 트윈은 센서와 이미지를 사용하여 장비 고장을 예측하고, 생산 공정을 최적화하며, 품질 문제를 감지합니다. 의료 분야에서는 환자 상태를 시뮬레이션하고, 맞춤형 약물을 지원하며, 질병 모델링, 임상 시험 시뮬레이션 및 면역 요법 최적화를 수행합니다. 환경 및 지속 가능성 분야에서 인공지능 기반 디지털 트윈은 지질학적 탄소 저장, 광석 폐기물 처리 및 자원 관리에 적용됩니다. 또한 재료 과학을 지원하여 자동화된 발견, 결함 분석 및 역분자 설계를 가능하게 합니다.

과학 연구에서 인공지능 사용에 따른 도전 과제

인공지능은 모든 과학 연구 분야에 분명히 많은 긍정적인 기여를 해왔으며, 발전함에 따라 앞으로도 계속 그럴 것입니다. 그러나 이러한 혁신에는 연구자와 데이터 과학자가 인공지능의 과학적 잠재력을 완전히 실현하기 위해 해결해야 할 도전 과제가 따릅니다. 가장 시급한 과제 중 일부는 다음과 같습니다.

• 데이터 개인 정보 보호 및 보안: 데이터 개인 정보 보호 및 보안을 보장하는 것은 인공지능 구현에 있어 가장 큰 과제 중 하나입니다. 인공지능은 학습과 운영을 위해 대량의 민감한 데이터를 필요로 하기 때문입니다. 민감한 정보가 적절한 허가 없이 수집 및 사용되거나, 인공지능 시스템에서 민감한 정보가 유출 또는 도난당할 때 문제가 발생합니다. 과학 데이터셋에는 미발표 실험 결과, 새로운 화합물 구조, 상당한 경쟁 우위를 나타내는 독점적인 합성 방법이 포함될 수 있습니다. 연구자가 클라우드 기반 인공지능 플랫폼을 활용하거나 협력 연구 환경에 참여할 때, 지식재산권 노출이라는 상당한 위험에 직면하게 됩니다. 이러한 위험에 대응하기 위해 일부 기업은 고객 정보를 보호하고 신뢰를 유지하기 위한 안전장치를 구현하고 있으며, 새로운 스타트업들은 찾고 외부 인공지능 위협으로부터 보호하기 위한 시장 틈새를 공략하고 있습니다. ‍
• 데이터 품질 및 편향성: 데이터셋은 종종 인공지능 모델을 통해 확산되어 예측을 왜곡하고 기존 연구의 불평등을 잠재적으로 강화할 수 있는 체계적인 편향성으로 인해 어려움을 겪습니다. 성공적인 반응은 과대평가되고 실패한 실험은 과소보고되는 출판된 반응 데이터의 역사적 편향성은 무기 재료와 같이 새로운 화학적 공간을 탐색하는 머신러닝 모델의 능력을 크게 저해할 수 있습니다. 이러한 "출판 편향"은 인공지능 시스템이 이미 잘 연구된 화합물과 유사한 화합물을 우선적으로 추천하게 만드는 자기 강화적 순환을 만듭니다. 생성형 인공지능 모델은 기존 데이터를 조작하고 실제 증거를 희생하면서 고객의 요청을 충족하기 위해 환각(hallucination)을 일으킬 수 있어 추가적인 우려를 낳고 있습니다. ‍
• 투명성: 이러한 모델의 "블랙박스" 특성은 예측 이면의 추론 과정을 불투명하게 만들어 연구자가 신뢰성을 평가하거나 잠재적인 실패 모드를 식별하기 어렵게 만듭니다. 검토 신약 개발 분야의 설명 가능한 인공지능 방법론은 복잡한 모델의 해석 가능성 부족이 의약 화학자들의 신뢰를 저하시키고, 제약 개발 과정에서 인공지능 기반 의사결정에 대한 규제 기관의 수용을 방해할 수 있음을 강조했습니다. 이러한 문제는 고차원적인 화학적 표현을 다루는 그래프 신경망 및 트랜스포머 모델에서 특히 두드러지며, 입력 특성과 예측 결과 사이의 관계가 매우 비선형적으로 나타납니다. ‍
• 자동화와 인간 전문 지식의 균형: 인공지능 시스템은 방대한 데이터셋을 처리하고 인간의 인지 능력을 뛰어넘는 패턴을 식별할 수 있지만, 숙련된 과학자들이 연구 문제에 투입하는 직관, 창의성, 맥락적 이해는 부족합니다. 이는 근본적인 연구 기술과 개념적 이해가 부족한 과학자 세대를 양산할 위험이 있습니다. 반대로, 이는 다음과 같은 결과를 초래할 수도 있습니다. “알고리즘 혐오” 인공지능이 도출한 결론이 직관과 상충할 때 나타나는 현상입니다.

인공지능 모델과 과학 연구의 미래

과학적 탐구에서 인공지능의 중요성은 앞으로 더욱 커질 것이며, 그 혁신적인 역량은 이미 생물의학 및 재료과학과 같은 분야에서 실현되고 있습니다. CAS Content Collection™에 대한 분석에서 알 수 있듯이, 어려운 연구 질문을 해결하기 위해 새로운 응용 프로그램, 모델 및 방법이 끊임없이 적용되고 있습니다. 신약 개발, 질병 진단, 재료 개발 등 다양한 분야에서 인공지능 기반 기술이 영향을 미치거나 완전히 주도하는 돌파구가 마련될 것으로 기대됩니다.  

인공지능이 단순한 도구에서 협력적인 과학 파트너로 전환됨에 따라, 역설계(inverse design)나 자율 주행 실험실과 같은 새로운 패러다임이 과학적 방법론을 자율적인 발견 엔진으로 재정의할 것으로 보입니다. 그러나 낮은 특허 대 출판 비율은 특히 전통적인 재료과학 분야에서 많은 연구가 여전히 학계에 머물러 있음을 시사합니다.  

인공지능의 추가적인 도입을 위해서는 불확실성 정량화 및 모델 투명성과 같은 기술적 솔루션을 통한 적절한 신뢰 조정이 필요합니다. 과학 전반에 걸친 인공지능의 광범위한 영향력과 이를 구현하는 데 따르는 도전 과제의 규모를 고려할 때, 과학적 발전을 위한 혜택을 극대화하려면 협력과 가시성이 핵심이 될 것입니다.

‍

더 자세한 정보는 당사의 재판 학술지 기사인 "화학 분야의 인공지능 혁명: 재료 및 생물의학 과학의 미래 형성." 를 읽어보십시오.

본 문서에 언급된 브랜드 이름 및/또는 제3자 제품이나 서비스에 대한 언급은 교육적 목적만을 위한 것이며, CAS 또는 American Chemical Society의 보증을 의미하지 않으며, 언급되지 않은 유사한 브랜드, 제품 또는 서비스에 대한 차별을 의미하지 않습니다.