Materials Informatics & AI Expertise

소재개발 분야의 인공지능 적용 기술 트렌드

목적 지향적 신소재 역설계(Inverse Design) 및 자율 탐색 패러다임 중심으로의 대전환

1

물리 기반 AI (Physics-Informed AI) & 멀티스케일 연동

MLIP (Machine Learning Interatomic Potentials)

Density Functional Theory(DFT) 수준의 양자역학적 정밀도를 유지하면서도 연산 속도를 10³ ~ 10⁵배 이상 높인 기술입니다. M3GNet, CHGNet 등 그래프 신경망(GNN) 기반의 Interatomic Potential이 대규모 결정 구조 안정성 탐색에 핵심적으로 적용되고 있습니다.

P2D / Continuum Model과의 결합

원자 수준(Atomistic)의 시뮬레이션 결과를 연속체 영역(Microstructure/Cell scale)의 전기화학적 또는 역학적 모델과 연결할 때, AI가 Surrogate Model(대리 모델) 역할을 수행하여 전체 계산 비용을 획기적으로 절감합니다.

2

Generative AI 기반 역설계 (Inverse Design)

Crystal Diffusion Models & GNN

이미지 생성에 사용되던 Diffusion 알고리즘을 3D 결정 구조에 확장 적용하여, 공간군(Space Group) 및 주기적 경계 조건(PBC)을 만족하는 안정적인 결정 구조를 고속으로 생성해냅니다.

Large-scale Materials Discovery

Google DeepMind의 GNoME이나 Meta의 Open Catalyst Project와 같이 수백만 개의 미지 후보 물질을 사전 예측하고 상도(Phase Diagram) 상의 열역학적 안정성을 스크리닝하는 대규모 AI 모델 구축이 활발히 이루어지고 있습니다.

3

능동 학습(Active Learning)과 자율 실험실 (Self-Driving Labs)

Bayesian Optimization (BO) & UQ (Uncertainty Quantification)

AI가 단순 예측값만 제공하는 것이 아니라 예측의 불확실성을 함께 산출합니다. 탐색(Exploration)과 활용(Exploitation)의 균형을 유지하여, 가장 신뢰도가 낮거나 물성 개선 가능성이 높은 소수의 최적 실험 조건만을 정밀하게 추천합니다.

Autonomous Closed-Loop R&D

AI의 탐색 후보 추천 → 로봇 기반 고속 자동 합성 및 분석(High-Throughput Experimentation) → 결과를 다시 AI 모델에 피드백하는 전과정 자율화 연구실(Self-Driving Lab)이 상용 소재 연구소로 확산되고 있습니다.

4

대규모 언어 모델(LLM)과 Agentic AI의 결합

문헌 데이터 자율 추출

수십만 편의 논문 및 특허에서 합성 레시피, 공정 변수(온도, 소결 시간, 용매 조건 등), 물성 데이터를 자동 텍스트 마이닝하여 정교한 데이터베이스를 구축합니다.

연구 에이전트 (Agentic AI)

연구자의 자연어 요구사항을 이해하고 [데이터 수집 → DFT 계산 스크립트 작성 → MLIP 예측 → 실험 조건 추천] 전과정을 자율적으로 수행하는 에이전트 환경이 구축되고 있습니다.

💡 전문가 관점의 현장 적용 핵심 과제

실제 산업 현장 적용 시 가장 중요한 허들은 데이터 불균형성(Out-of-Distribution, OOD Problem)과 합성 가능성(Synthesizability)입니다.
AI가 계산상 최고의 물성을 가진 결정 구조를 제안하더라도, 실제 실험실에서 열역학적으로 합성 불가능한 경우가 많습니다. 이에 따라 최근 연구는 단순히 물성 예측 정확도를 높이는 것을 넘어 '실제 합성 경로(Synthesis Path)까지 고려한 제약 기반 생성 모델(Constrained Generative Model)'을 구축하는 방향으로 고도화되고 있습니다.