밀도범함수이론

2 Contents

인공지능이 이끄는 신소재 혁명 l 연구로 보는 재료 이야기 l 재료레시피 👩‍🍳

42만 개의 안정적인 재료와 200만 개 이상의 신규 결정을 발견한 구글 딥마인드의 인공지능 'GNoME(노움)'은 신소재 연구의 패러다임을 바꾸고 있습니다. 과거 인간이 실험을 통해 이러한 성과를 거두려면 약 800년이라는 막대한 시간이 필요했을 것입니다. 하지만 인공지능은 알고리즘을 통해 이 방대한 작업을 단시간에 수행하며 소재 과학의 새로운 지평을 열었습니다. 이러한 비약적인 속도 향상은 단순히 연구 효율을 높이는 것을 넘어, 미래 산업에 필요한 핵심 소재를 적기에 확보할 수 있는 강력한 경쟁력이 됩니다. 전통적인 신소재 개발이 오랜 시간을 필요로 하는 이유는 원자 단위의 구조와 조성을 설계하고 이를 실제 공정으로 구현하는 과정에서 무수한 시행착오가 발생하기 때문입니다. 인류는 청동기 시대부터 우연과 경험에 의존해 소재를 탐색해 왔으나, 현대에 이르러 물리학과 화학 이론이 발전하며 비로소 물성을 예측할 수 있는 기반이 마련되었습니다. 특히 양자역학, 열역학, 결정학 등 정교한 이론적 배경은 소재의 물리적·화학적 특성을 규명하고 설계하는 데 있어 필수적인 도구로 자리 잡았습니다. 20세기 후반 등장한 전산모사 기술은 실험실에서 직접 물질을 합성하지 않고도 가상 공간에서 특성을 예측할 수 있게 했습니다. 그 중심에는 1964년 제안된 '밀도범함수이론(DFT)'이 있습니다. 밀도범함수이론(DFT)은 전자의 분포를 통해 물질의 에너지와 특성을 계산하는 방법으로, 이를 활용하면 아직 발견되지 않은 가상의 신소재 후보군을 미리 검증할 수 있습니다. 고성능 슈퍼컴퓨터는 수많은 후보 물질 중에서 우리가 원하는 특성을 가진 최적의 재료만을 정교하게 걸러내는 일종의 거름망 역할을 수행하며 탐색 범위를 획기적으로 넓혔습니다. 현재 전 세계는 데이터 기반의 소재 연구를 위해 국가적 차원의 프로젝트를 추진하고 있습니다. 미국과 일본, 유럽 등 주요국들은 방대한 소재 데이터베이스를 구축하여 인공지능 학습에 활용하고 있습니다. 우리나라도 이에 발맞추어 2022년 '국가 소재 데이터 스테이션'을 구축하며 국내 연구 데이터의 공유와 활용을 적극적으로 지원하기 시작했습니다. 2027년까지 36만 건 이상의 고품질 데이터를 제공한다는 목표 아래, 소재 연구의 디지털 전환을 가속화하며 글로벌 기술 패권 경쟁에서 우위를 점하기 위한 기반을 다지고 있습니다. 한국재료연구원의 최신 연구는 인간의 전문성과 인공지능의 분석 능력을 결합하여 미세조직 정량화의 한계를 극복하고 있습니다. 복잡한 현미경 이미지를 자동으로 구분하고 분석하는 이 기술은 단순한 스케치만으로도 정밀한 결과를 도출하여 실용성을 극대화했습니다. 이러한 인공지능 기반의 혁신은 에너지, 환경, 우주 등 다양한 분야의 난제 해결에 기여할 것입니다. 상상을 뛰어넘는 신소재의 탄생은 인류 문명의 대전환점을 예고하고 있으며, 대한민국이 소재 연구 분야의 선도 국가로 도약하는 데 중요한 역할을 할 것으로 기대됩니다.

인공지능이 이끄는 신소재 혁명 l 연구로 보는 재료 이야기 l 재료레시피 👩‍🍳
한국재료연구원재료칼럼, 재료랑 가까워지는 생각
  • 물리학
  • 화학
  • 융합
  • 공학·기술

[EOST2023] 오픈소스 데이터를 활용한 인공지능 기반 물질 연구

물질 연구는 육안으로 확인하기 어려운 원자 수준의 미세한 구조를 다루는 과학 분야입니다. 주로 분자나 무기 결정 구조, 그리고 표면의 반응성을 분석하며, 양자 역학이나 밀도 범함수 이론(DFT)에 기반한 전자 구조 계산을 핵심 도구로 활용합니다. 이러한 이론적 접근은 실험적으로 나타나는 현상을 정밀하게 설명할 뿐만 아니라, 특정 응용 분야에 최적화된 새로운 물질을 설계하는 데 필수적인 역할을 합니다. 최근에는 기체 분자와 촉매 표면의 상호작용을 조절하여 이산화탄소를 유용한 자원으로 전환하는 연구 등 기후 변화와 같은 지구적 난제를 해결하기 위한 소재 설계에도 인공지능과 데이터 분석 기법이 활발히 도입되고 있습니다. 현대 소재 연구에서는 방대한 양의 오픈 데이터베이스를 활용하여 조건에 맞는 물질을 탐색하는 스크리닝 방식이 널리 쓰입니다. 그러나 데이터베이스에 우리가 필요로 하는 모든 물질의 정보가 포함되어 있지는 않으며, 특히 새로운 가상 구조를 설계할 때는 원자 배열이 가장 안정한 상태를 찾기 위해 복잡한 전자 구조 계산을 거쳐야 합니다. 이 과정은 매우 긴 시간과 높은 전산 비용이 소모되는 작업으로, 연구의 효율성을 저해하는 주요 원인이 되기도 합니다. 이를 극복하기 위해 기계 학습을 통한 물성 예측 모델이 대안으로 떠올랐으나, 학습 데이터와 실제 예측 대상 사이의 도메인 차이로 인한 신뢰성 확보가 여전한 과제로 남아 있습니다. 데이터 간의 도메인 차이로 발생하는 예측 오차를 해결하기 위해 두 가지 혁신적인 방법론이 주목받고 있습니다. 첫째는 드롭아웃 기반의 불확실성 측정을 통해 예측 분포를 산출하고, 표준 편차를 활용해 결괏값을 보정하는 방식입니다. 이를 통해 전체 데이터의 극히 일부만 직접 계산하고도 기존보다 월등히 높은 효율로 안정적인 물질을 찾아낼 수 있습니다. 둘째는 컴퓨터 비전의 기법을 응용하여 구조의 피처 벡터를 직접 변환하는 도메인 트랜슬레이션 기법입니다. 이는 시간이 많이 걸리는 최적화 과정을 거치지 않은 초기 구조 정보만으로도 실제 안정한 상태의 물성을 정확하게 예측할 수 있게 하여 계산 비용을 획기적으로 절감해 줍니다. 이론적으로 설계된 신소재가 실제 실험 현장에서 합성 가능한지를 판단하는 것은 소재 연구의 실질적인 가치를 결정짓는 핵심 요소입니다. 기존에는 분자 구조 생성과 역합성 연구가 서로 분리되어 진행되는 경우가 많아 결과 확인 과정이 비효율적이었습니다. 이를 해결하기 위해 화학 반응 경로 정보와 분자 구조 정보를 통합하는 모델이 새롭게 개발되었습니다. 이 모델은 목표로 하는 분자의 구조적 특징을 조건으로 주어, 상업적으로 구매 가능한 반응물과 구체적인 반응 템플릿을 동시에 생성합니다. 이를 통해 연구자는 결과물인 분자의 물성뿐만 아니라, 실험실에서 실제로 구현 가능한 모든 단계의 화학 반응 정보를 한눈에 파악할 수 있게 되었습니다. 인공지능 기반의 물질 연구는 방대한 데이터를 다루는 듯 보이지만, 전체 물질 공간의 무한함에 비하면 여전히 가용 데이터가 희소하다는 특징이 있습니다. 따라서 적은 양의 데이터로도 높은 신뢰도를 유지하며 복잡한 시스템을 통찰할 수 있는 정교한 기계 학습 모델의 고도화가 계속해서 요구됩니다. 이론적 계산과 실제 합성 사이의 간극을 좁히고, 파편화된 물성 데이터를 효과적으로 통합하는 기술은 미래 소재 산업의 경쟁력을 결정짓는 중요한 열쇠가 될 것입니다. 앞으로는 실험과 이론의 유기적인 조화를 통해 인류가 직면한 다양한 기술적 한계를 극복하고, 신물질 탐색의 골든타임을 단축하는 연구가 더욱 가속화될 전망입니다.

[EOST2023] 오픈소스 데이터를 활용한 인공지능 기반 물질 연구
한국전자통신연구원오픈소스 테크데이
  • 화학
  • 융합
  • 공학·기술