AI 신소재 발견은 실현 가능한가? 탐색 공간·DFT·GNoME로 본 가능성과 한계

핵심 메시지

• 신소재는 경제와 사회를 바꿀 수 있지만, 발견 과정은 20세기와 다름없이 반복적인 시행착오와 우연에 크게 기대 왔다.
• 원소 60종에서 5개를 고르는 조합만 약 546만 가지에 달하고, 여기에 작동 조건과 결정 구조까지 더해지면 탐색 공간은 사람이 다 뒤질 수 없을 만큼 방대해진다.
• 물질의 성질은 슈뢰딩거 방정식으로 원리상 계산할 수 있지만 다체 문제 때문에 현실적으로 어렵고, 이를 근사한 밀도범함수이론(DFT)도 큰 시스템에서는 막대한 연산과 부정확성을 안고 있다.
• AI는 DFT로 만든 합성 데이터와 공개 물질 데이터베이스로 학습해 물성을 빠르게 예측하는 역할을 맡으며, 딥마인드의 GNoME는 그래프 신경망으로 약 220만 개의 안정한 결정 구조를 예측했다.
• DFT 의존, 합성·스크리닝의 난이도, 그리고 장기간·고비용에 비해 보상이 작은 경제 구조가 AI 신소재 스타트업들의 핵심 난관이다.

쉽게 이해하기

철이 산업혁명을, 리튬코발트산화물이 리튬이온 배터리를 가능케 했듯 적절한 시점의 적절한 소재는 경제와 사회를 바꾼다. 그런데도 신소재를 찾는 과정은 여전히 땀나는 반복 실험과 우연에 기대고 있다. 영상은 이 지점에서 AI가 발견을 앞당길 수 있는지를 묻는다.

가장 큰 장벽은 탐색 공간의 크기다. 주기율표 118개 원소에서 희귀·고가·독성 원소를 빼도 약 60종이 남고, 실용 소재는 보통 5종 이상, 많게는 10종의 원소로 이뤄진다. 60종에서 5개를 고르는 조합만 약 546만 가지이고, 여기에 작동 온도 같은 조건과 결정 구조까지 더해진다. 같은 탄산칼슘이라도 배열에 따라 아라고나이트와 방해석처럼 녹는점·경도·용해도가 달라지는 식이다.

전통적으로는 컴퓨터로 물성을 시뮬레이션하는 '제1원리(ab initio)' 방법이 있다. 슈뢰딩거 방정식을 풀면 합성 없이도 결정 구조·밴드갭·광학 성질을 예측할 수 있다. 그러나 전자들이 서로 얽혀 영향을 주는 다체 문제 탓에, 가장 빠른 컴퓨터도 전자 약 11개 규모까지만 정밀 계산이 가능하다. 이를 근사한 것이 1960년대에 나온 밀도범함수이론(DFT)으로, 계산 화학의 토대가 됐지만 분자가 커질수록 연산량이 급증한다.

여기서 AI의 역할이 보인다. DFT가 정확하지만 느리다면, AI로 그 계산을 지름길로 만들 수 있다는 발상이다. DFT와 공개 데이터베이스(Materials Project 등)로 물성 데이터를 모아 모델을 학습시키면, 모델이 DFT를 돌리지 않고도 물성을 한 번에 내놓거나, 목표 물성을 정해 후보 소재를 제안하게 할 수 있다. 2023년 딥마인드가 네이처에 발표한 GNoME는 화학식으로 화합물의 안정성을 예측하고 DFT로 검증하는 과정을 반복해 약 220만 개의 안정한 결정 구조를 찾았다고 밝혔다. GNoME는 거대 언어 모델이 아니라 그래프 신경망이라는 특화 모델이다.

다만 워크플로의 중심에 있는 DFT가 약점이다. 시스템이 크거나 고온이거나 결정 구조가 복잡하면 잘 맞지 않고, 그래서 데이터가 주로 작고 단순한 분자에 치우친다. 합금에서 나타나는 편력 자성처럼 DFT가 예측하기 어려운 영역도 있다. 결국 합성 데이터만으로는 부족해 고처리량 실험실에서 실제 데이터를 함께 만들어야 한다. 게다가 소재는 신약과 달리 특허로 보호되는 큰 수익을 기대하기 어렵고, 상용화에 10년 넘는 시간과 막대한 비용이 들며 최종 이익은 대형 수요 기업이 가져가기 쉬워 경제성이 까다롭다.

주요 인사이트

• 신소재 탐색이 어려운 본질은 알고리즘이 아니라 조합·조건·결정 구조가 만드는 '천문학적 탐색 공간'에 있다. 같은 조성도 결정 구조에 따라 전혀 다른 물질이 되기 때문이다.
• 역사적 돌파구 상당수가 우연의 산물이었다는 점(테플론, 형상기억합금 등)이 오히려 체계적 탐색 도구로서 AI에 대한 기대를 키운다.
• AI 신소재 모델은 GPT 같은 초거대 모델일 필요가 없으며, GNoME처럼 그래프 신경망 같은 특화 모델이 더 적합하다는 시각이 우세하다.
• AI의 발목을 잡는 것은 모델 자체보다 학습 데이터를 만드는 DFT의 한계여서, 합성 데이터에만 의존하면 토대가 취약해진다.
• 기술이 된다 해도 경제 구조가 관건이다. 많은 스타트업이 자석·전도체·배터리 같은 같은 시장을 노리고 있어, 결국 일부는 사내 R&D용 도구나 에이전트형 실험 플랫폼으로 방향을 틀 가능성이 있다.

자주 묻는 질문

관련 AI 소식