Skip to main content

AI-Assisted Discovery of Biodegradable Polymer Alternatives

· 7 min read
Peter Broklyn
연구원
Sabir K
연구원

논문 정보​

  • 제목: AI-Assisted Discovery of Biodegradable Polymer Alternatives
  • 저자: Peter Broklyn, Sabir K
  • 학회/저널: Polymer Recycling
  • 발행일: 2024년 12월
  • DOI: -
  • 주요 연구 내용: 인공지능(AI)을 활용하여 생분해성 고분자 대체재를 발견하는 방법론과 기술을 탐색하는 연구임. 기존의 시간과 비용이 많이 소모되는 시행착오 기반의 접근법 대신, AI를 통해 물질의 특성을 예측하고, 고분자 제형을 최적화하며, 새로운 대체재를 식별하는 과정을 가속화하는 역할을 강조함.
  • 주요 결과 및 결론: 머신러닝을 이용해 고분자의 물성을 예측하고, 생성 모델을 활용해 새로운 고분자 구조를 설계하며, 데이터 마이닝과 고속 스크리닝을 통해 유망한 후보를 식별할 수 있음을 보여줌. 이러한 AI 기술은 생분해성 폴리에스터 및 고분자 혼합물의 개발 사례에서 그 유용성이 입증됨.
  • 기여점: 기존의 고분자 연구 개발의 한계를 극복하기 위해 AI의 잠재력을 제시함. 특히, 분자 구조와 물성 간의 관계를 밝혀내고, 새로운 물질을 제안하며, 실험 과정을 간소화하는 데 AI가 핵심적인 역할을 할 수 있음을 보여줌으로써 지속 가능한 소재 개발의 새로운 방향을 제시함.

요약​

초록​

기존의 비생분해성 플라스틱으로 인한 환경 문제에 대응하여 생분해성 고분자 대체재 개발이 중요해졌다. 그러나 전통적인 연구 방법은 시간과 비용이 많이 들고 시행착오에 의존하는 한계가 있다. 이 논문은 AI를 활용해 물질 특성을 예측하고, 고분자 제형을 최적화하며, 새로운 대체재를 식별하는 과정을 가속화하는 방안을 탐구한다. AI 기술과 방법론, 그리고 실제 사례를 통해 지속 가능한 고분자 발견에 있어 AI의 역할을 조명한다.

서론​

비생분해성 플라스틱의 광범위한 사용은 심각한 환경 문제를 야기한다. 강도, 유연성, 내구성 등 다양한 특성을 지닌 고분자는 대체하기 어렵다. 기존의 생분해성 고분자 대체재 발견 방법은 시간이 오래 걸리고 비용이 많이 들며 시행착오에 의존하는 경향이 있다. 이에 반해, AI는 물질의 특성을 예측하고 고분자 제형을 최적화하며 새로운 대체재를 식별하여 이 과정을 가속화하는 강력한 도구로 부상하고 있다.

배경​

비생분해성 고분자는 현대 사회에 널리 퍼져있지만, 환경에 오랫동안 잔류하며 해양, 매립지, 야생 동식물 서식지에 축적되어 생태학적 및 건강상의 문제를 일으킨다. 생분해성 고분자는 시간이 지남에 따라 무독성 부산물로 분해되어 이러한 문제를 해결할 유망한 대안이다. 그러나 기존 플라스틱과 유사한 성능을 유지하면서도 환경 친화적인 대체재를 찾는 것은 여전히 어려운 과제다.

모델 아키텍처 / 방법론​

  • 핵심 구조/방법: AI를 활용하여 고분자 발견을 가속화하는 데 머신러닝(ML), 생성 모델, 양자 컴퓨팅, 데이터 마이닝 및 고속 스크리닝 기술을 사용한다.
  • 주요 구성 요소:
    • 머신러닝(ML) 기반 특성 예측: 분자 구조를 기반으로 인장 강도, 유연성, 생분해 속도와 같은 고분자의 물성을 예측한다. 지도 학습(회귀, 분류)은 입력 특성에 따라 고분자 물성을 예측하며, 비지도 학습(클러스터링)은 유사한 특성을 가진 고분자 그룹을 식별하는 데 도움을 준다.
    • 생성 모델: GAN(Generative Adversarial Networks) 및 VAE(Variational Autoencoders)와 같은 생성 AI 모델을 사용해 바람직한 특성을 가진 완전히 새로운 고분자 구조를 생성한다.
    • 양자 컴퓨팅 및 시뮬레이션: 고분자의 분자 수준 행동을 시뮬레이션하여 고분자 구조, 상호 작용 및 분해 메커니즘에 대한 깊은 통찰력을 제공한다.
    • 데이터 마이닝 및 고속 스크리닝: AI 기반 데이터 마이닝은 대규모 화학 데이터베이스에서 통찰력을 추출하여 유망한 생분해성 고분자를 식별하는 과정을 가속화한다.
  • 알고리즘: 지도 학습을 위한 회귀 및 분류 알고리즘, 비지도 학습을 위한 클러스터링 및 차원 축소 알고리즘이 사용된다. 생성 모델로는 GAN과 VAE가 핵심적인 역할을 한다.

실험 결과​

  • 주요 데이터셋: 논문에 특정 데이터셋 이름이 명시되지 않았으나, 알려진 고분자의 특성 데이터셋과 생분해성 및 비생분해성 플라스틱 데이터셋을 활용해 모델을 훈련시킨다.
  • 핵심 성능 지표: 생분해 속도, 인장 강도, 유연성 등 고분자의 물리적 및 기계적 특성을 주요 성능 지표로 사용한다.
  • 비교 결과: AI를 활용한 접근법은 기존의 시행착오 기반 방법보다 훨씬 효율적이고 빠르다. 예를 들어, 머신러닝 모델을 훈련시켜 생분해 속도를 예측함으로써 실험적 테스트의 필요성을 대폭 줄일 수 있었다. 또한, AI는 기존 고분자 성능을 유지하면서 생분해성을 향상시키는 분자 구조를 최적화하는 데 성공했다.

결론​

AI 기반 생분해성 고분자 대체재 발견은 지속 가능한 소재를 찾는 데 유망한 분야다. AI 기술을 활용하여 연구자들은 설계 프로세스를 간소화하고, 물질 특성을 예측하며, 친환경 대체재에 대한 증가하는 수요를 충족시킬 새로운 고분자를 발견할 수 있다. 데이터 가용성, 학제 간 협력, 그리고 연구 결과의 산업적 확장과 같은 도전 과제가 남아있지만, 고분자 연구를 변화시킬 AI의 잠재력은 밝다.

참고문헌​

  1. Rusho, M. A., & Hassan, N. (2024). Pioneering The Field Of Digital Archeology In Bangladesh.
  2. Burger, B., Maffettone, P. M., Gusev, V. V., Aitchison, C. M., Bai, Y., Wang, X., Li, X., Alston, B. M., Li, B., Clowes, R., Rankin, N., Harris, B., Sprick, R. S., & Cooper, A. I. (2020). A mobile robotic chemist. Nature, 583(7815), 237–241. https://doi.org/10.1038/s41586-020-2442-2
  3. Rusho, M. A., Azizova, R., Mykhalevskiy, D., Karyonov, M., & Hasanova, H. (2024). ADVANCED EARTHQUAKE PREDICTION: UNIFYING NETWORKS, ALGORITHMS, AND ATTENTION-DRIVEN LSTM MODELLING. GEOMATE Journal, 27(119), 135-142.
  4. Chang, F., & Chang, Y. (2005). Adaptive neuro-fuzzy inference system for prediction of water level in reservoir. Advances in Water Resources, 29(1), 1–10. https://doi.org/10.1016/j.advwatres.2005.04.015
  5. Ahmad, M., Bangash, S. A., Rusho, M. A., Halder, S., & Shahzadi, I. (2025). Using OpenStreetMap Data for Geomarketing Insights and Business Growth. In Pioneering Approaches in Data Management (pp. 133-156). IGI Global Scientific Publishing.
  6. Coley, C. W., Thomas, D. A., Lummiss, J. a. M., Jaworski, J. N., Breen, C. P., Schultz, V., Hart, T., Fishman, J. S., Rogers, L., Gao, H., Hicklin, R. W., Plehiers, P. P., Byington, J., Piotti, J. S., Green, W. H., Hart, A. J., Jamison, T. F., & Jensen, K. F. (2019). A robotic platform for flow synthesis of organic compounds informed by AI planning. Science, 365(6453). https://doi.org/10.1126/science.aax1566
  7. Rusho, M. A. (2024). An innovative approach for detecting cyber-physical attacks in cyber manufacturing systems: a deep transfer learning mode.
  8. Cuthrell, J. E., & Biegler, L. T. (1987). On the optimization of differential‐algebraic process systems. AIChE Journal, 33(8), 1257–1270. https://doi.org/10.1002/aic.690330804
  9. Ganzeboom, H. B., De Graaf, P. M., & Treiman, D. J. (1992). A standard international socio-economic index of occupational status. Social Science Research, 21(1), 1–56. https://doi.org/10.1016/0049-089x(92)90017-b
  10. Ahmad, M., Ansari, Y., Waro, A. I., Rusho, M. A., & Maqsood, M. (2025). Digital Cartography Transforming Travel Decision-Making With VGI. In Advancing Smart Tourism Through Analytics (pp. 127-148). IGI Global Scientific Publishing.
  11. Gromski, P. S., Granda, J. M., & Cronin, L. (2019). Universal Chemical Synthesis and Discovery with ‘The Chemputer.’ Trends in Chemistry, 2(1), 4–12. https://doi.org/10.1016/j.trechm.2019.07.004
  12. Kondili, E., Pantelides, C., & Sargent, R. (1993). A general algorithm for short-term scheduling of batch operations—I. MILP formulation. Computers & Chemical Engineering, 17(2), 211–227. https://doi.org/10.1016/0098-1354(93)80015-f
  13. Rusho, M. A. (2024). Blockchain enabled device for computer network security.
  14. Macdonald, D. D. (1992). The Point Defect Model for the Passive State. Journal of the Electrochemical Society, 139(12), 3434–3449. https://doi.org/10.1149/1.2069096
  15. Méndez, C. A., Cerdá, J., Grossmann, I. E., Harjunkoski, I., & Fahl, M. (2006). State-ofthe-art review of optimization methods for short-term scheduling of batch processes. Computers & Chemical Engineering, 30(6–7), 913–946. https://doi.org/10.1016/j.compchemeng.2006.02.008
  16. Raja, S., Ali, R. M., Babar, Y. V., Surakasi, R., Karthikeyan, S., Panneerselvam, B., & Jagadheeswari, A. S. (2024). Integration of nanomaterials in FDM for enhanced surface properties: Optimized manufacturing approaches. Applied Chemical Engineering, 7(3).
  17. Rasheed, A., San, O., & Kvamsdal, T. (2020). Digital Twin: Values, Challenges and Enablers From a Modeling Perspective. IEEE Access, 8, 21980–22012. https://doi.org/10.1109/access.2020.2970143
  18. Saleem, H., Naz, A., Sandhu, A. S., Fatima, M., Tahir, O., Zafar, M. J., ... & Kanwal, R. (2024). Pharmacological and therapeutic values of turmeric. Complementary and alternative medicine: Chinese/traditional medicine, 77-84.
  19. Rawlings, J. (2000). Tutorial overview of model predictive control. IEEE Control Systems, 20(3), 38–52. https://doi.org/10.1109/37.845037
  20. Rusho, M. A., Alduhan, I. A., Mohammed, A. I., Al-Anbari, H. H. A., Mansoor, A. S., Radi, U. K., ... & Yadav, A. (2024). Investigating the suitability of pristine and defective C3N monolayer as supercapacitor electrodes: DFT calculations. High Energy Density Physics, 53, 101154.