신진연구자 칼럼

420 … NICE, 제38권 제4호, 2020

1. 서론

대한민국 정부는 지난 7월 14일 제7차 비상경제회

의에서 “선도국가로 도약하는 대한민국으로 대전환”

이라는 주제로 한국판 뉴딜 종합계획을 발표하였다

[1]. 핵심은 디지털 뉴딜을 통해 경제전반의 디지털

혁신 및 역동성 촉진·확산을, 그린 뉴딜을 통해 경제기반의 친환경·저탄소전환 가속화를 일으키겠다는 내용이다. 특히, 10대 대표과제 중 디지털 트윈, 국민

안전 SOC 디지털화, 그리고 스마트 그린산단 과제는

공정시스템공학과 인공지능을 접목하는 연구자들의

연구범위에 일치되는 것을 보고 들뜬 마음을 주체할

수 없었다.

사실 지난 40여년간 공정시스템공학 커뮤니티에

서 인공지능을 이용한 설계, 제어, 운전연구가 차지

하고 있는 비중은 상당히 높았다. 1980년대부터 전

문가시스템(expert systems)를 기반으로 CONPHYDE,

DECADE, MODEX, DSIGN-KIT, 그리고 MODEL.

LA 등의 방법론이 소개된 것을 출발로 1990년대부터

2000년대를 지나며 인공신경망을 통한 제어 및 이상

진단분야의 눈부신 발전을 이루었다[2]. 하지만, 하드

웨어의 한계와 기계학습 기법의 성능한계 그리고 시

장이 기계를 통한 의사결정을 받아드릴 수 없었기 때

문에 가시적인 산업의 변화를 일으키진 못했다[3]. 이

에 많은 공정시스템공학 연구자들은 인공신경망을

포함한 인공지능연구보다는 수리최적화(mathematical

programming) 기반의 문제에 집중했던 것이 사실이

다. 이 시절에는 “기계를 절대 실제적인 혁명을 일으

킬 수 없을 것[4]”와 같은 비관적인 견해가 강했다.

하지만 세상은 변하였고 1997년 Deep Blue(IBM)

가 체스 세계챔피언 Gary Kasparov를 굴복시킴으로

규칙이 있는 게임에서의 가능성을, 2011년 Watson

(IBM)이 퀴즈쇼 Jeopardy에서 인간챔피언들을 누르

고 우승을 함으로써 추론능력의 가능성을, 2016년

AlphaGo(DeepMind)가 바둑에서 이세돌을 누르며 추

상적이라고 생각했던 과제에 대해서도 인간을 능가

할 수 있다는 가능성을 보였다. 특히 최근에는 Dota2

와 StarCraft2와 같은 다중에이전트 시스템 (multi-

agent system) 에서의 협력업무에 대해서도 인간을 능

가하는 것을 보여줘 대중 및 산업의 인식을 완전히

바꾸어 버렸다[5, 6].

당연하게도 공정 커뮤니티 내의 연구 트렌드 역시

Autonomous discovery in the

process systems design

나종걸

이화여자대학교 화학신소재공학전공

jgna@ewha.ac.kr

2013 서울대학교 공과대학 화학생물공학부 (공학사)

2018 서울대학교 공과대학 화학생물공학부 (공학박사)

2018~2019 한국과학기술연구원 (KIST) 청정에너지연구센터 Post-doc.

2019~2020 미국 Carnegie Mellon University 화학공학과 Post-doc.

2020~현재 이화여자대학교 화학신소재공학전공 조교수

신진연구자 칼럼

NEWS & INFORMATION FOR CHEMICAL ENGINEERS, Vol. 38, No. 4, 2020 … 421

딥러닝, 강화학습, 인공지능 등으로 빠르게 선회하였

고, 하드웨어, 소프트웨어, 그리고 시장의 과감한 투

자가 병행되는 현 상황과의 시너지를 통해 지난 40

년 동안 지지부진했던 산업으로의 적용을 가능하게

하기 위해 많은 연구자들이 노력하고 있다 [3]. 우리

는 이미 유기화합물 합성경로를 화학자 수준으로 수

행하는 “Robo-chemist”[7], 뇌 기반 인지과학칩과 기

계학습 기반 칩을 접합해 인간수준의 복잡한 제어문

제를 해결하는 “Robo-operator”들을 경험하고 있다

[8]. 특히, 자율발견(autonomous discovery)이라는 개념

을 공정설계 및 최적화 분야에 흡수시켜 가시적인 성

과들을 이루어 내고 있다. 기존 자동화(automated)가

측정 (sense), 분석(analyze), 행동(act)의 3단계를 기본

으로 한다면 자율화는 이에 이해 (understand)와 추론

(inference)라는 단계가 추가되어 인공지능 스스로가

공정 데이터 및 물리법칙을 통해 시스템을 이해하고

추론하여 다음 행동을 결정하는 것이다. 이에, 본 칼

럼에서는 4차산업혁명 시대에 공정시스템공학의 위

치에 대한 논의를 하기 위해 자율화된 인공지능을 통

한 공정설계 및 운전에 초점을 맞추어 중요한 연구사

례 중심으로 연구동향을 소개하고자 한다.

2. 본론

인공지능을 이용해 자율적으로 공정 및 제품설

계를 수행하는 연구 트랜드를 정리하면 그림 1과 같

다. 실험, 자동화, 모델, 그리고 시스템적 접근을 통

해 복잡한 화학시스템을 인공지능이 이해할 수 있도

록 화학물질과 공정장치들의 표현방식(representation,

descriptor)을 다듬고 지금까지 발견된 다양한 제일원

리(e.g. Navier-Stokes equation, Schrödinger equation)를 기계학습시 적절하게 사용할 수 있도록 데이터 처

리 단계부터 학습 및 추론단계까지 맞춤형 신경망

을 구성할 필요성이 있다. 또한 화학시스템이 필연적

그림 1. 인공지능을 이용한 시스템설계 방법론을 위한 연구전략. (a-g), 실험, 자동화, 모델, 시스템. 각각이 인공지능을 통한 설계 자율발견이라는 최종 목표를 위해 어떠한 방식으로 융합되어야 하는지를 도식화한 핵심기술들. Phase I (a)-(e)-(b)에서는 기계학습의 해석능력을 화학공학 도메인에 특화시키는 작업을 주로하고 있음. Phase II (f)-(c) 인공지능이 실제 물리시스템을 이해하고 사이버시스템 내에서 공정최적화 및 제어시스템 설계 등을 수행할 수 있도록 하는 기술. 최종적으로, Phase III (g)-(d)에서 인간

의 고등한 영감을 자율적으로 공정설계로 실현시키는 “Robo-designer”의 등장.

신진연구자 칼럼

422 … NICE, 제38권 제4호, 2020

으로 가지고 있는 분포 및 불확실성을 모델링 및 시

뮬레이션 내에서 표현하기 위한 불확실성 정량기법

(uncertainty quantification)도 연구되어 인공지능을 구

성할 때 사용하는 추세이다. 이렇게 화학시스템을 적

절하게 표현할 수 있게 된 인공지능은 일차적으로는

플랜트 및 반응시스템을 가상공간에 구현한 디지털

트윈 안에서 최적화 및 예측문제들을 해결할 수 있

다. 최종적으로는 스스로 최적의 실험과 자연현상을

탐색하여 엔지니어가 원하는 특성을 가지는 공정 및

제품을 인버스 설계 (inverse design)할 수 있는 “Robo-

designer”의 등장을 이룰 것이다. 본문에서는 최종적

인 “Robo-designer”를 구성하는 3가지 핵심 자율화

된 공정설계(그림 1a,b,c), 자율화된 제품 인버스 설

계 (그림 1e,f), 그리고 자율화된 기술경제성평가(그림

1g)를 소개하고자 한다.

2.1 자율화된 공정설계

과거 많은 연구에서는 전문가시스템의 온톨로지

를 기반으로 화학공정설계 및 특성을 해석할 수 있는

인공지능을 개발하기 위한 개념적인 연구가 주로 수

행되었다[9, 10]. 하지만, 이러한 연구들은 대부분 개

념적인 수준에 머물러 있었기 때문에 구현된 사례를

찾아보기가 힘들었으며 전문가시스템의 구조적 한계

로 인해 인공지능 스스로가 학습하고 입력되지 못한

로직에 대한 탐색을 통해 자율적 설계에는 사용하기

무리가 있었다. 또한, 설계라는 그 자체특성이 예술

(art)의 영역이라고 생각하여 매우 보수적이고 비밀스

럽게 숨겨져 있는 어떤 무언가가 있다는 추상적 영역

이 존재했기 때문에 경험이 많은 엔지니어를 대체하

여 인공지능이 직접적으로 설계를 구현한 마땅한 사

례가 없었다.

하지만 2019년 MIT에서 드디어 이 모든 것을 실

제로 구현해낸 사례를 발표하였다[11]. 인공신경망을

통해 자율적으로 반응경로를 탐색하고 모듈화 된 흐

름화학반응기(flow chemistry reactor)를 기반으로 로

봇시스템이 수리계획법을 통해 모든 공정을 설계하

고 파일럿플랜트를 구성해 목표화합물을 합성해 분

리하는 시스템을 성공적으로 구현한 것이다[11](그림

2). 일련의 자율적 공정설계 및 구현과정은 개발된 로

봇플랫폼이 수행하기 때문에 인간의 간섭이 전혀 필

요하지 않으며, 단순히 반응경로만 알아내는 것이 아

니라 이를 수행하기 위한 공정 및 제어시스템 스스로

설계하고 로봇 팔이 직접적으로 공정을 만들어냈다

는 점에서 완전히 새로운 연구라 할 수 있다. 이는 효

그림 2. 인공지능을 통해 자율화된 유기화학반응 반응경로 발견 및 공정설계 로봇플랫폼. Reprinted. from Science 365, 557, Coley, C. W., et al., A robotic platform for flow synthesis of organic compounds informed by AI planning, Copyright 2019, with permission from AAAS [11].

신진연구자 칼럼

NEWS & INFORMATION FOR CHEMICAL ENGINEERS, Vol. 38, No. 4, 2020 … 423

율적으로 최적공정을 빠르게 설계하고 파일럿플랜트

실험을 수행해 공정개발 기간을 단축시킬 수 있다는

일차적인 목표만이 아니라, 인간이 직관적으로 탐색

하기 힘든 비직관 공정설계까지도 구현한다는 점에

서 매우 혁신적인 설계방법론의 가능성을 보여줬다.

경험법칙(Heuristics)을 통한 설계방법론이 대세였

던 시대에서 초구조(Superstructure) 기반의 수리계획

법을 통한 최적공정설계 방법론으로 연구가 소개된

지 30여년이 지났다. 이제는 강화학습, 딥러닝 등을

포함하는 기계학습과 고성능 컴퓨팅 시스템을 사용

한 계산과학적 모델링 및 시뮬레이션 시스템 기반 인

공지능과 로보틱스를 적절하게 접목시킨 자율설계

방법론이 떠오르고 있다. 앞으로의 30년 속에서 공정

시스템공학 내 설계분야에서 어떤 새로운 기준이 확

립될지 확신할 수는 없으나, 확실한 것은 정해 놓은

설계영역 밖까지 스스로 확장하는 자율적 시스템이

될 것이라는 것은 자명하다.

2.2 자율화된 제품 인버스(Inverse) 설계

2018년 미국 백악관에서 발표한 “STRATEGY

FOR AMERICAN LEADERSHIP IN ADVANCED

MANUFACTURING” 보고서에서 첨단제조(advanced

manufacturing)를 정의하기를 과학기술에서 발견된 새

로운 현상을 빠르게 제조업으로 적용시키는 것 이라

고 하였다[12]. 그림 3에서 볼 수 있듯이 전통적인 설

계방법은 순차적(sequential)으로, 재료, 디바이스, 실

험 단계를 거치고 그렇게 얻어진 결과를 피드백하는

일련의 과정을 반복하여 원하는 특성을 갖는 제품 및

공정을 설계하고 있다. 만약 이러한 과정을 시뮬레이

션, 기계학습, 그리고 로보틱스 플랫폼을 통해 동시

적(simultaneous)으로 수행하게 만들어 최소한의 반복

만으로 원하는 특성을 갖는 제품 및 공정을 설계하는

인버스 설계 방법론을 구축하게 된다면 기술개발 기

간을 단축하는 것은 물론 기존에 찾을 수 없었던 비

직관 설계안을 제시해 4차산업혁명시대의 첨단제조

산업을 이룰 수 있을 것으로 기대하고 있다[13].

이런 자율화된 제품설계 방법론에는 몇 가지 중요

한 이슈들이 존재하는데 그 중에서도 핵심적으로 논

의되고 있는 것은 최적실험설계(optimal experiment

design; OED)를 기반으로 설계를 가속화하는 방법

론과 이를 기계학습 상에서 다루기 위한 다양한 제

품(화학물질, 공정, 모델)의 표현방식의 규격화이다

그림 3. 인공지능과 머신러닝을 접목한 로보틱스와 시뮬레이션 기반 최적화 기법을 통해 원하는 특성을 갖는 재료를 자율적으로 발견하는 인버스 설계 기법. Reprinted from Science 361, 350-365, Sanchez-Lengeling, B. and Aspuru-Guzik, A., Inverse molecular design using machine learning: Generative models for matter engineering, Copyright 2018, with permission from AAAS [13].

신진연구자 칼럼

424 … NICE, 제38권 제4호, 2020

[14, 15] (그림 1f). 먼저 최적실험설계 기반 설계 가속

화 방법론은 크게 초기설계(initial design), 선택된 설

계(selected experiment), 데이터, 그리고 모델의 유기

적인 정보교환을 통하여 최소한의 실험만으로 원하

는 특성을 지니는 설계안을 도출하는 것이다. 유전

자, 단백질, OLED 재료, 반응조건 등 발견하고자 하

는 목적과 설계 범위 및 데이터 생성 가격 등에 따라

적합한 프레임워크를 만들어 낸다[16-19]. 몇몇 성공

적인 사례들은 값비싼 실험 및 시뮬레이션 횟수를 최

소한으로 줄이고 모델과 기계학습을 연동하여 최적

화 및 성능예측을 훌륭하게 수행하게 하여 인버스 설

계가 가능함을 보였다.

이러한 방법론을 일반화해 제품 및 공정설계의 일

반적인 방법론으로 도입하려는 시도들이 있으나, 이

를 가로막는 가장 큰 문제는 시스템을 표현하는 방식

을 규격화 하기 매우 힘들다는 것이다. 예를 들면 화

학반응시스템을 인공신경망의 입력 값으로 사용할

때 분자구조를 효과적으로 표현해야 할지가 작은 분

자일 때와 고분자일 때 다르고, 공정시스템의 장치들

의 연결구조와 각 장치의 운전조건들을 하나의 행렬

등의 입력 값으로 표현하기가 매우 난해하기 때문이

다. 이를 해결하기 위해 전통적으로 분자구조를 표현

할 때 사용하는 simplified molecular-input line-entry

system(SMILE) 등의 추상적 표현을 variational autoen-

coder 및 generative adversarial networks와 같은 잠재공

간(latent space) 훈련이 가능한 딥러닝 기법을 통해 비

선형 특성추출을 이용한다[20]. 그렇게 되면 분자의

구조 등에 따른 특성(밀도, 점도 등)의 비선형성을 효

과적으로 선형화 시켜 인버스 설계가 가능하게 한다.

공정시스템의 경우에도 패턴학습을 위해 이러한 규

격화된 표현방식을 도입한 사례가 있으나[21], 분자

보다 훨씬 복잡하며 규격화되어 있지 않은 장치들로

그림 4. 자동 공정설계 및 기술경제성평가 플랫폼. Material from: 'Na, J., et al., General technoeconomic analysis for electrochemical coproduction coupling carbon dioxide reduction with organic oxidation, Nature Communications, published 2019, Springer Nature'[22].

신진연구자 칼럼

NEWS & INFORMATION FOR CHEMICAL ENGINEERS, Vol. 38, No. 4, 2020 … 425

인해 아직 걸음마 단계라고 볼 수 있다.

2.3 자율화된 기술경제성평가

최근 학계에서는 에너지분야에 대한 연구가 급격

하게 관심을 받으며 공정시스템공학 커뮤니티에서

도 다양한 에너지관련 기술들에 대해 기술경제성평

가(technoeconomic analysis)와 전주기평가(life cycle

assessment)를 수행한 연구들이 쏟아져 나오고 있다.

그 중 특이한 연구를 하나 소개할 필요가 있는데 자

동화된 공정설계와 기술경제성평가를 접목시켜 전기

화학적 공생산(electrochemical coproduction)의 최적후

보물질을 플랜트 수준에서 탐색한 연구이다[22]. 기

존의 연구들은 몇 가지 공정대안들을 모델링하고 그

안에서 민감도분석을 포함한 경제성평가를 수행한

뒤 정성적인 해석을 하는 정도가 대부분이었는데, 본

연구는 설계 대상이 될 수 있는 환원반응 16개물질과

산화반응 18개를 포함한 300개 이상의 공정대안을 자

동화된 공정합성과 기술경제성평가 플랫폼을 통해

한 번에 해석하였다(그림 4).

이러한 자동화된 공정합성 및 경제성평가를 구현

하기 위해서는 대상으로 하는 시스템의 특성을 플랫

폼 내부에서 자체적으로 해석할 수 있도록 해야 하고

구현된 설계를 Aspen Plus 등의 시뮬레이터를 통해 자

동으로 모델링 및 계산까지 완료되게 만들어야 한다.

예를 들면 전기화학적 공생산에서 생산되는 물질들

의 열역학적 성질과 가격정보 등을 데이터베이스에

서 통합적으로 관리하여 사용자가 물질을 선택했을

때 자동적으로 반응 및 분리시스템을 설계하고 그에

따른 공정모델을 자동으로 실행시켜 줘야하는 것이

다(그림 4a).

다만, 본 연구에서는 평가 플랫폼이 자동화되었기

때문에 정해진 초구조 내에서 밖에 공정의 다양성이

해석될 수밖에 없다. 또한, 실시간으로 개발되는 물

질 및 장치들에 대한 업데이트 및 가격정보 업데이트

등을 중앙에서 관리할 수 있는 빅데이터 플랫폼이 함

께 구축되어야 만 “자율적”으로 기술경제성평가 및

전주기평가를 수행할 수 있을 것이다.

3. 결론

지난 40여년간 공정시스템공학 커뮤니티의 연구

자들은 인공지능과 결코 떨어질 수 없는 숙명과도 같

은 관계다. 비교적 최근까지도 획기적인 산업의 변

화를 목도하지 못한 우리는 그 방향성에 대한 회의

를 가지기도 하였다. 하지만, 미국 콜롬비아대학의

Venkat Venkatasubramanian교수가 작년에 이야기했

듯 “이번은 다르다”[3]. 급격히 발전하는 기계학습과

계산과학적 방법론이 우리를 “Robo-designer”라는 성

배로 이끌고 있다. 필자는 본 컬럼을 통해 그 핵심 3

가지인 자율화된 공정설계, 자율화된 제품 인버스 설

계, 그리고 자율화된 기술경제성평가에 대한 개괄적

인 연구 현황에 대해서 짚어보았다. 이런 핵심 기술

들을 체계적으로 개발하여 설계에 특화된 인공지능

을 적절하게 활용할 수 있다면, 첨단제조시대의 화학

공정개발에 새로운 패러다임을 제시할 수 있지 않을

까 조심스럽게 예측해본다.

References

1. 기획재정부. 「한국판 뉴딜 종합계획」 발표. 2020 [cited 2020 07/18]; Available from: http://www.moef.go.kr/nw/nes/detailNesDtaView.do?searchBbsId=MOSFBBS_000000000028&menuNo=4010100&searchNttId=MOSF_000000000040637.

2. Stephanopoulos, G. and G.V. Reklaitis, Process systems engineering: From Solvay to modern bio- and nanotechnology.: A history of development, successes and prospects for the future. Chemical Engineering Science, 2011. 66(19): p. 4272-4306.

3. Venkatasubramanian, V., The promise of artificial intelligence in chemical engineering: Is it here, finally? AIChE Journal, 2019. 65(2): p. 466-478.

4. Anderson, P.W. and E. Abrahams, Machines Fall Short of Revolutionary Science. Science, 2009. 324(5934): p. 1515-1516.

5. Berner, C., et al., Dota 2 with large scale deep reinforcement learning. arXiv preprint arXiv:1912.06680, 2019.

6. Vinyals, O., et al., Grandmaster level in StarCraft II using multi-agent reinforcement learning. Nature, 2019. 575(7782): p. 350-354.

7. Segler, M.H.S., M. Preuss, and M.P. Waller, Planning chemical syntheses with deep neural networks and symbolic AI. Nature, 2018. 555(7698): p. 604-610.

신진연구자 칼럼

426 … NICE, 제38권 제4호, 2020

8. Pei, J., et al., Towards artificial general intelligence with hybrid Tianjic chip architecture. Nature, 2019. 572(7767): p. 106-111.

9. Stephanopoulos, G. and C. Han, Intelligent systems in process engineering: A review. Computers & Chemical Engineering, 1996. 20(6-7): p. 743-791.

10. Venkatasubramanian, V., et al., Ontological informatics infrastructure for pharmaceutical product development and manufactur ing. Computers & chemica l engineering, 2006. 30(10-12): p. 1482-1496.

11. Coley, C.W., et al., A robotic platform for flow synthesis of organic compounds informed by AI planning. Science, 2019. 365(6453): p. eaax1566.

12. White House, Strategy for American Leadership in Advanced Manufacturing. 2018.

13. Sanchez-Lengeling, B. and A. Aspuru-Guzik, Inverse molecular design using machine learning: Generative models for matter engineering. Science, 2018. 361(6400): p. 360-365.

14. Coley, C.W., N.S. Eyke, and K.F. Jensen, Autonomous Discovery in the Chemical Sciences Part II: Outlook. Angew Chem Int Ed Engl, 2019.

15. Coley, C.W., N.S. Eyke, and K.F. Jensen, Autonomous Discovery in the Chemical Sciences Part I: Progress. Angew Chem Int Ed Engl, 2019.

16. Williams, K., et al., Cheaper faster drug development

validated by the repositioning of drugs against neglected tropical diseases. Journal of the Royal society Interface, 2015. 12(104): p. 20141289.

17. Desai, B., et al., Rapid discovery of a novel series of Abl kinase inhibitors by application of an integrated microfluidic synthesis and screening platform. Journal of medicinal chemistry, 2013. 56(7): p. 3033-3047.

18. Reizman, B.J., et al., Suzuki–Miyaura cross-coupling optimization enabled by automated feedback. Reaction chemistry & engineering, 2016. 1(6): p. 658-666.

19. Gómez-Bombarelli, R., et al., Design of efficient molecular organic light-emitting diodes by a high-throughput virtual screening and experimental approach. Nature materials, 2016. 15(10): p. 1120-1127.

20. Kotsias, P.-C., et al., Direct steering of de novo molecular generation with descriptor conditional recurrent neural networks. Nature Machine Intelligence, 2020. 2(5): p. 254-265.

21. Zhang, T., N.V. Sahinidis, and J.J. Siirola, Pattern recognition in chemical process flowsheets. AIChE Journal, 2019. 65(2): p. 592-603.

22. Na, J., et al., General technoeconomic analysis for electrochemical coproduction coupling carbon dioxide reduction with organic oxidation. Nature Communications, 2019. 10(1): p. 5193.