AI가 실험 결과를 예측하는 방법은 연구 시간을 단축하고 비용을 절감하며 효율성을 높이는 데 어떻게 기여할까요? 이 글에서 INVIAI와 함께 자세히 알아보겠습니다!

AI가 실험을 계획하고 분석하는 방식

인공지능(AI)은 과학자들이 실험을 계획하고 해석하는 방식을 혁신하고 있습니다. 연구 논문부터 시뮬레이션 결과에 이르기까지 방대한 데이터를 학습한 AI 모델은 새로운 실험의 가능한 결과를 예측할 수 있습니다.

예를 들어, 과학 문헌을 기반으로 훈련된 대형 언어 모델(LLM)은 초인적인 정확도로 과학적 결과를 예측하는 ‘패턴 추출’ 능력을 보여주었습니다.

최근 연구에서는 AI 도구가 제안된 신경과학 실험 결과를 인간 전문가보다 훨씬 더 정확하게 예측했습니다. 이러한 AI 기반 예측은 시행착오를 줄여 실험실에서 시간과 자원을 절약할 수 있음을 의미합니다.

연구자들은 이미 AI를 과학 연구의 ‘공동 조종사’로 활용하고 있습니다. 구글 리서치의 LLM을 기반으로 한 AI ‘공동 과학자’는 박테리아 내 복잡한 생물학적 메커니즘을 재발견했으며, 그 최우선 가설은 실험적으로 확인된 유전자 전달 과정과 정확히 일치했습니다. 즉, AI가 인간 과학자들이 수년간 해결해온 질문에 대해 독자적으로 올바른 답을 제시한 것입니다.

저자들은 이러한 AI가 “단순한 도구를 넘어 창의적 엔진으로서 발견을 가속화할 수 있다”고 결론지었습니다.

마찬가지로, UCL 주도 연구팀은 일반 LLM과 특화된 ‘BrainGPT’ 모델이 인간 신경과학자보다 훨씬 높은 정확도로 신경과학 연구 결과를 예측할 수 있음을 보여주었습니다. LLM은 평균 81%의 성공률로 올바른 출판 결과를 선택했으며, 전문가들은 63~66%에 그쳤습니다. 이는 AI가 단순한 사실 조회를 넘어 문헌 내 패턴을 인식하고 미래 예측을 수행할 수 있음을 시사합니다.

과학 분야 전반에 걸친 AI 활용

생물학

AI는 다양한 분야에서 눈부신 발전을 이루고 있습니다. 생물학 분야에서는 백만 개 이상의 세포 데이터를 학습한 새로운 기초 모델이 유전자 발현의 ‘문법’을 이해하여, 인간의 모든 세포 유형에서 어떤 유전자가 활성화될지 예측하며, 그 결과는 실험 측정치와 매우 근접했습니다.

한 시연에서는 AI가 유전성 백혈병 돌연변이가 세포의 조절 네트워크를 어떻게 교란하는지 정확히 예측했으며, 이는 이후 실험으로 확인되었습니다.

화학

MIT 연구진은 FlowER라는 모델을 개발하여 물질 보존과 전자 보존 같은 물리적 제약 조건을 적용해 화학 반응 결과를 보다 현실적으로 예측합니다. 이 제약 인지 AI는 반응 생성물 예측의 정확성과 신뢰성을 크게 향상시켰습니다.

IBM의 RXN for Chemistry와 같은 AI 플랫폼도 딥러닝을 활용해 ‘화학 언어’를 해석하고 반응 결과를 예측하여, 화학자들이 시행착오 방식보다 훨씬 빠르게 새로운 반응을 탐색할 수 있도록 돕습니다.

재료과학

재료과학 분야에서는 마이크로소프트의 MatterGen/MatterSim 같은 신흥 AI 기초 모델들이 원자와 분자 데이터를 학습하여, 실험 전에 신소재의 거동을 예측할 수 있도록 개발되고 있습니다.

물리학 및 고급 시뮬레이션에서의 AI

물리학 기반 AI 모델은 핵융합 실험 결과를 성공적으로 예측했습니다. 예를 들어, 로렌스 리버모어 국립연구소 과학자들은 AI 기반 프레임워크를 사용해 핵융합 점화 실험 성공 가능성을 며칠 전에 예측했습니다. 수천 건의 시뮬레이션과 과거 실험 데이터를 학습한 이 모델은 실험 전 점화(순에너지 이득) 성공 확률을 70% 이상으로 예측했습니다.

실제 실험 후 중성자 수율은 AI 예측 범위 내에 있었으며, 이는 AI가 복잡한 물리 실험에 대해 신뢰할 수 있는 확률적 예측을 제공할 수 있음을 보여줍니다.

이 접근법은 AI와 물리 시뮬레이션을 결합해 정확한 예측뿐 아니라 불확실성도 정량화하여 연구자들이 실험 위험을 평가하는 데 도움을 줍니다. 마찬가지로 중력파 연구에서는 AI가 인간 엔지니어가 간과한 킬로미터 규모 광학 공동 추가와 같은 새로운 간섭계 구성을 설계해 검출기 민감도를 향상시켰습니다.

AI 기반 실험실 자동화

실험실 자동화 역시 AI 예측이 혁신을 일으키는 분야입니다. 과학자들은 로봇이 실험을 수행하고 AI가 결과를 분석하는 완전 자동화된 ‘발견의 공장’을 구상하고 있습니다. 노스캐롤라이나 대학교 채플힐 캠퍼스 연구진은 모바일 로봇이 피로 없이 연속적으로 화학 실험을 수행하며, 인간보다 훨씬 일관되게 정밀한 프로토콜을 실행할 수 있음을 설명합니다.

이 로봇들은 AI가 즉시 패턴과 이상 징후를 탐지할 수 있는 방대한 데이터를 생성합니다.

이러한 비전에서는 전통적인 설계-제작-테스트-분석 주기가 훨씬 빠르고 유연해집니다. AI 모델은 다음 실험을 제안하고, 실시간으로 조건을 최적화하며, 전체 실험 캠페인을 계획할 수 있습니다. 예를 들어 UNC 팀은 AI가 유망한 신물질이나 화합물을 식별해 과학자들이 어디에 집중해야 할지 효과적으로 안내할 수 있다고 언급합니다.

일상적인 작업을 자동화함으로써 연구자들은 더 높은 수준의 질문에 집중할 수 있고, AI는 가장 유익한 실험에 집중할 수 있습니다.

과학 연구에서 AI의 이점

AI 기반 예측은 과학에 엄청난 이점을 제공합니다. 실험 선택지를 좁혀 발견 속도를 높이고, 쓸데없는 시도를 줄여 비용을 절감하며, 인간이 놓칠 수 있는 미묘한 패턴을 찾아냅니다. DeepMind의 AlphaFold2와 같은 도구는 단백질 구조 예측으로 생물학 분야에 혁신을 가져왔습니다. AlphaFold2는 과학적으로 알려진 약 2억 개의 단백질 3D 구조를 정확히 모델링했습니다.

이는 실험가들이 번거로운 X선 결정학이나 크라이오-EM 연구에 소요하는 시간을 크게 줄이고, 새로운 단백질 연구에 집중할 수 있게 함을 의미합니다.

마찬가지로 브룩헤이븐 연구소의 ESMBind 모델은 식물 단백질이 아연이나 철과 같은 금속 이온에 결합하는 방식을 예측하며, 다른 방법보다 금속 결합 부위를 더 정확히 식별합니다. 이는 영양소 흡수를 위한 유전자 연구를 가속화해 바이오에너지 작물 연구에 기여합니다.

모든 경우에 AI는 강력한 선별 도구로서, 방대한 실험 ‘탐색 공간’을 높은 확률의 결과나 후보군으로 좁혀줍니다.

AI의 도전과 한계

하지만 이러한 발전은 새로운 질문도 제기합니다. AI가 많은 결과를 매우 잘 예측한다는 사실은 과학적 발견이 종종 익숙한 패턴을 따른다는 점을 시사합니다. UCL 연구진은 “과학의 상당 부분은 진정한 새로움이 아니라 기존 문헌의 패턴에 부합한다”고 지적합니다.

이는 AI가 일상적이거나 점진적인 발견에는 뛰어나지만, 전례 없는 현상에는 어려움을 겪을 수 있음을 의미합니다.

전문가들은 인간의 창의성과 비판적 사고가 여전히 필수적이라고 경고합니다. AI 권고는 신중한 실험적 검증이 필요하며, 데이터 편향(학습한 것만 알 수 있음)과 과신(훈련 범위를 벗어나면 오류 가능성) 문제도 존재합니다. 그럼에도 불구하고 AI 예측은 이미 생물학, 화학, 물리학 분야에서 출판된 혁신을 이끌어내며 그 이점이 위험을 능가하는 것으로 보입니다.

실험 설계에서 AI의 미래

앞으로 AI와 실험은 더욱 밀접하게 결합될 것입니다. 과학자들은 물리학, 화학, 유전체 데이터 등을 활용해 과학 분야에 특화된 ‘기초 모델’을 개발 중이며, 이를 통해 결과를 더 잘 예측하고 혁신적인 실험 설계를 제안할 수 있게 될 것입니다.

가까운 미래에는 연구자들이 제안한 실험을 AI 도구에 입력하면 가능한 결과의 확률 분포를 받을 수 있을 것입니다.

컴퓨터 내 반복 실험을 통해 팀은 피펫이나 레이저를 다루기 전에 실험을 최적화할 수 있습니다. 목표는 하이브리드 연구 워크플로우로, AI가 유망한 가설과 경로를 빠르게 좁히고, 인간 과학자가 직관과 통찰로 미지의 영역을 탐색하는 것입니다.

>>> 더 알아보기: AI가 실험 데이터를 분석합니다

이 파트너십이 잘 이루어진다면 발견 속도가 두 배, 세 배로 빨라질 수 있으며, 재생 에너지 소재부터 맞춤형 의학에 이르기까지 큰 도전을 해결할 수 있을 것입니다.

한 연구자는 AI가 “과학자들이 가장 효과적인 실험을 설계하고 새로운 영역을 개척하는 데 도움이 되는 강력한 도구가 될 것”이라고 표현했습니다.