[이미디어= 황원희 기자] 모든 온실 가스 중에서, 이산화탄소는 지구 온난화의 가장 큰 원인이 된다. 기후 변화에 관한 정부간 협의체에 따르면, 2100년까지 조치가 취해지지 않으면, 세계의 평균 기온은 약 1.5도 상승할 것이라고 밝혔다. 이산화탄소를 포획하고 저장하는 효과적인 방법을 찾는 일은 지구 온난화 방지에 초점을 맞춘 연구원과 산업계의 과제가 되고 있다. 카네기 멜론 대학의 기계공학과 조교수인 아미르 바라티 파리마니(Amir Barati Farimani)는 이를 바꾸기 위해 연구를 거듭해왔다.
이에 대해 "기계 학습 모델은 지구 온난화에 대응할 새로운 화학 화합물이나 물질을 발견할 수 있는 가능성을 가지고 있다,"고 카네기 멜론 대학의 기계 공학 조교수인 바라티 파리마니가 밝혔다. 그에 따르면 기계 학습 모델은 CO2 스토리지 후보에 대한 정확하고 효율적인 가상 스크리닝을 달성할 수 있으며 이전에는 존재하지 않았던 선호되는 화합물을 생성할 수도 있다.
바라티 파리마니 조교수는 이온성 액체 분자를 식별하기 위해 기계 학습을 사용함으로써 돌파구를 만들었다. 이온성 액체(IL)은 상온에서 액체 상태로 유지되며 화학적 안정성과 CO2 용해도가 높아 CO2 저장에 이상적인 후보이다. 이온의 조합은 IL의 특성을 크게 결정한다. 그러나 양이온과 음이온의 이러한 조합 가능성은 기존 실험을 통해 효율적인 CO2 저장을 위한 IL의 설계 공간을 소진하는 데 큰 도전에 직면하게 된다.
기계 학습은 종종 분자를 그래프로 처리하고 매트릭스를 사용하여 분자 결합 및 관련 특성을 식별하는 그래프 신경망(GNN)과 함께 소위 분자 지문을 만들기 위해 약물 발견에 이용된다. 파리마니 조교수는 처음으로 이온성 액체에서 CO2 흡수를 예측할 수 있는 지문 기반 ML 모델과 GNN을 모두 개발했다. 이 방법은 이온 액체의 CO2 용해도를 예측하는 데 탁월한 정확도를 달성한다. 수작업 특성에 의존하는 이전 ML 방법과 달리 GNN은 분자 그래프에서 기능을 직접 학습한다.
기계 학습 모델이 결정을 내리는 방법을 이해하는 것은 이를 식별하는 분자 특성만큼이나 중요하다. 이 설명은 데이터 중심의 관점에서 분자의 구조가 이온성 액체의 특성에 어떻게 영향을 미치는지에 대한 추가적인 통찰력을 연구자들에게 제공한다. 예를 들어, 물리적으로 이산화탄소와 상호작용하는 분자 조각이 화학적 상호작용을 하는 분자 조각보다 덜 중요하다는 것을 발견했다. 또한 질소에 연결된 수소가 적은 수소는 CO2와의 안정적인 화학적 상호 작용을 공식화하는 데 더 유리할 수 있다.
이러한 발견을 통해 연구자들은 미래에 CO2 저장을 위한 새롭고 효율적인 이온 액체의 설계에 대해 더욱 큰 통찰력을 제공할 수 있을 것으로 보인다.
[저작권자ⓒ 이미디어. 무단전재-재배포 금지]
