원하는 생성물의 수율은 높이고 부산물의 생성을 최소화하는 조건을 찾기 위해 사용된 인공 꿀벌 군집 알고리즘
한국화학연구원(이하 화학연) 화학플랫폼연구본부 장현주·김현우 박사팀과 화학공정연구본부 김용태 박사팀은 인공지능의 기계학습과 인공 꿀벌 군집 알고리즘을 활용해 온실가스인 메탄을 유용한 화학원료(에틸렌 등)로 직접 바꾸는 가상 실험을 수행, 인공지능 활용 전보다 10% 이상 높은 수율을 얻었다.
메탄은 석유화학 공정과 셰일 가스에서 나오는 물질로 전세계 연간 메탄 발생량 9억t 중 92.2%가 난방이나 발전용으로 사용되고, 화학원료로 사용되는 것은 7.8%에 불과하다. 따라서 연구자들은 메탄을 화학원료로 전환해 활용하는 방법을 찾고 있다. 그러나 메탄을 산소 투입 없이 화학원료로 직접 바꾸는 촉매공정은 기술수준이 매우 높고 부산물이 많이 나와 상용화되지 못했다. 2019년 화학연 김용태 박사팀에서 부산물 거의 없이 5.9%의 수율을 기록했었는데, 이후 후속 연구와 인공지능 연구 협업을 통해 2019년 수율의 2배인 13%를 달성한 것이다.
인공지능을 활용하기 위해서는 우선 사람이 직접 실험한 데이터를 수집해야 한다. 따라서 연구팀은 실험실에서 직접 실험한 250개의 반응 데이터를 수집해 기계학습 모델을 학습시켰다. 인공지능은 기계학습 모델을 통해 스스로 온도, 속도, 압력, 반응기 구조 등 여러 조건을 미세하게 조절하며 10,000여 개가 넘는 가상 조건을 만들고 실험 결과물을 냈다.
연구팀은 이렇게 얻어진 가상 실험 데이터를 인공지능의 ‘인공 꿀벌 군집(Artificial Bee Colony) 알고리즘’에 적용했다. 자연에서 꿀벌 군집은 꿀이 있는 지역을 탐색하고, 꿀이 어디에 얼마나 있는지 구체적 정보를 수집하며, 수집된 정보들에서 꿀이 많은 곳을 알아내 꿀을 찾고 모은다. 이와 비슷하게 인공 꿀벌 군집 알고리즘도 여러 가상 실험 조건을 탐색하고, 어느 조건에서 어떤 실험 결과가 나오는지 구체적 정보를 수집한 후, 그 정보들에서 더 좋은 실험 결과가 나오는 조건으로 의사결정을 하는 총 세 단계를 거친다.
연구팀은 인공지능으로 수율은 높으면서 부산물은 적게 나오는 실험 조건을 찾아냈고, 이를 실제로 직접 실험해 오차 범위 안에서 검증했다. 본 연구성과는 Reaction Chemistry & Engineering에 논문 뒷표지로 선정됐다. 연구팀은 논문 투고 이후에도 인공지능 활용 연구를 계속해 현재 메탄의 에틸렌 직접전환 수율을 20%까지 끌어올린 상태다.
