☕ 들어가며 : 소재는 왜 항상 늦게 오는가

친구야, 잠깐 앉아봐. 커피 한 잔 하면서 진지하게 얘기 좀 하자.

우리가 쓰는 스마트폰, 전기차, 반도체, 심지어 우주 로켓까지... 이 모든 게 결국 "무슨 재료로 만들었냐"에 걸려 있다는 거 알아?

그런데 여기 웃픈 사실이 하나 있어. 인류가 새로운 소재 하나를 발견해서 실제 제품에 넣기까지 걸리는 시간이 평균 15~20년이야. 리튬이온 배터리? 1970년대에 기초 연구가 시작돼서 1991년에 소니가 상용화했어. 무려 20년. LED 조명에 쓰이는 청색 LED? 1970년대부터 연구했는데 1993년에야 나카무라 슈지가 실용화에 성공했지. (그래서 2014년 노벨물리학상 받았고.)

왜 이렇게 오래 걸리냐고? 답은 허무할 정도로 단순해. 일일이 다 만들어보고 측정해봐야 해서.

근데 말이야. 지금 이 판이 진짜로 뒤집히고 있어. AI 때문에.

2023년 11월, 구글 딥마인드가 Nature에 논문 하나를 던졌어. 제목이 GNoME(Graph Networks for Materials Exploration). 얘가 뭘 했냐면 — 새로운 안정한 무기 결정 구조 220만 개를 예측했고, 그 중 38만 개는 실험적으로 합성 가능성이 높은 후보로 분류했어.

비교를 해볼까? 인류가 지난 수백 년 동안 실험으로 찾아낸 안정 무기 결정이 약 4만 8천 개 수준이야. AI가 몇 달 만에 그걸 800년치 분량으로 불려놨다는 얘기.

오늘 이 글에서는 이게 뭐가 어떻게 돌아가는 건지, 진짜인지 뻥인지, 그리고 앞으로 뭐가 올 건지 — 친구한테 설명하듯 쭉 풀어볼게. 커피 식기 전에 시작하자.

🧭 1장. 소재공학, 도대체 뭘 하는 학문인가

📐 소재공학의 사각 프레임

소재공학(Materials Science & Engineering)에는 교과서 첫 장에 무조건 나오는 그림이 있어. "Materials Tetrahedron", 소재 사면체라고 불러.

쉽게 풀면 이래.

① 조성/공정 — 뭘 넣고, 몇 도에서, 얼마나 오래 굽느냐.
② 구조 — 원자들이 어떻게 줄 서 있냐. 결정인지 비정질인지, 결정립 크기는 얼마인지.
③ 물성 — 강도, 전도도, 자성, 투명도 같은 고유 성질.
④ 성능 — 실제 제품에서 얼마나 잘 버티고 잘 작동하냐.

같은 탄소인데 흑연은 연필심이고 다이아몬드는 세상에서 제일 단단하잖아? 원소는 똑같아. 구조가 다를 뿐이야. 이게 소재공학의 전부이자 매력이야.

🧱 소재의 4대 계보 + α

🐢 2장. 왜 이렇게 느렸나 — 조합 폭발이라는 지옥

🔢 숫자로 보는 절망

자, 계산 한번 해보자. 주기율표에서 실제로 쓸 만한 원소가 대략 80개쯤 돼.

여기서 3원계 화합물(원소 3개 조합)만 만든다고 쳐도 조합 수가 약 8만 가지. 근데 각 원소 비율까지 따지면? 예를 들어 A:B:C를 1% 단위로 나누면 조합이 수백만으로 뛰어.

거기다 결정 구조까지 달라질 수 있어. 같은 조성이라도 배열이 다르면 완전히 다른 물질이거든(다형체, polymorph). 그리고 온도, 압력, 냉각 속도 같은 공정 변수까지 곱하면...

🧮 계산과학의 등장 : DFT라는 반쪽짜리 구원

그래서 20세기 후반에 사람들이 생각했어. "만들지 말고 컴퓨터로 계산하면 되잖아?"

여기서 나온 게 DFT(밀도범함수이론, Density Functional Theory)야. 월터 콘(Walter Kohn)이 이 이론으로 1998년 노벨화학상을 받았지. 양자역학 슈뢰딩거 방정식을 직접 푸는 건 전자 수가 늘어나면 불가능한데, DFT는 "전자 밀도"라는 하나의 함수로 바꿔서 근사적으로 푸는 방법이야.

이게 진짜 혁명이었어. 실제로 Materials Project(버클리, 2011년 시작), AFLOW, OQMD 같은 대형 DFT 데이터베이스가 만들어지면서 수십만 개 물질의 계산 정보가 무료로 공개됐어.

근데 문제가 있었어.

정리하면 DFT는 "실험보다는 빠르지만, 수백만 개를 훑기엔 여전히 너무 느린" 도구였어. 딱 이 지점에서 AI가 들어온 거야.

🤖 3장. AI가 소재공학에 들어오는 4가지 통로

AI 소재 설계라고 뭉뚱그려 말하는데, 사실 역할이 확실히 구분돼. 크게 네 가지야.

① 데이터 : 재료 없이 AI 없다

AI의 연료는 데이터야. 다행히 소재 분야엔 꽤 쌓였어.

• Materials Project — 15만 개 이상의 무기물 DFT 계산 데이터 공개
• ICSD — 실험적으로 확인된 결정구조 20만 건 이상
• OQMD / AFLOW — 각각 백만 단위 계산 엔트리
• NOMAD — 유럽 중심, 원시 계산 데이터까지 아카이빙

여기에 최근엔 LLM으로 논문에서 데이터 캐내기가 뜨고 있어. 수십 년간 쌓인 논문 본문과 표에 박혀 있던 합성 조건, 측정값을 자연어 처리로 긁어내는 거지. 실제로 UC버클리 세리다 연구팀은 논문 수백만 편에서 무기물 합성 레시피를 추출해 데이터셋을 만들었어.

② 대리모델(Surrogate) : DFT를 흉내 내는 초고속 계산기

여기가 제일 실전적이야. 아이디어는 단순해. "DFT 계산 결과를 잔뜩 학습시켜서, 새 구조가 들어오면 DFT 없이 답을 바로 뱉게 하자."

결정 구조는 본질적으로 그래프야. 원자 = 노드, 결합 = 엣지. 그래서 GNN(그래프 신경망)이 딱 들어맞았어.

여기서 꼭 알아야 할 개념이 MLIP(Machine Learning Interatomic Potential, 기계학습 원자간 퍼텐셜)야.

기존엔 원자 사이 힘을 계산하려면 매 스텝마다 양자역학을 풀어야 했어. MLIP는 그걸 학습된 함수로 대체해. 정확도는 DFT에 근접하면서 속도는 10⁴~10⁶배. 덕분에 예전엔 원자 수백 개 수 피코초가 한계였던 분자동역학 시뮬레이션이 이제 수백만 원자, 나노초 단위로 가능해졌어.

③ 생성모델 : AI가 물질을 '창작'한다

②번까지는 "주어진 후보를 빨리 평가"하는 거였어. 근데 진짜 재밌는 건 여기부터야. 후보 자체를 AI가 만들어내는 것.

이미지 생성 AI(Stable Diffusion 같은 거) 원리 알지? 노이즈에서 시작해서 점점 그림을 복원하는 방식. 똑같은 걸 원자 좌표에 적용하면 결정 구조 생성 AI가 돼.

대표 주자가 마이크로소프트 리서치의 MatterGen(2025년 Nature 게재). 얘의 진짜 강점은 조건부 생성이야.

비슷한 계열로 CDVAE(결정 확산 변분 오토인코더), FlowMM, Chemeleon 같은 모델들이 쏟아지고 있어. 고분자 쪽에선 SMILES 문자열을 언어처럼 다뤄서 트랜스포머로 새 분자를 뽑는 방식이 주류고.

④ 자율실험실 : 로봇이 밤새 실험한다

AI가 아무리 좋은 후보를 뽑아도, 결국 누군가는 만들어봐야 해. 여기서 병목이 생기지. 그래서 나온 게 SDL(Self-Driving Laboratory), 자율주행 실험실이야.

가장 유명한 사례가 A-Lab(버클리 로렌스버클리국립연구소). 2023년 Nature에 결과가 실렸는데:

사람이 했다면 몇 달~1년 걸릴 일을 17일에 끝냈다는 게 포인트야. (다만 이 논문은 이후 "생성된 상이 정말 신물질인지" 학계 검증 논쟁이 있었어. 이 얘긴 5장에서 다시 할게 — 이런 논쟁까지 알아야 진짜 아는 거니까.)

🏆 4장. 실제로 뭐가 나왔나 — 성공 사례 퍼레이드

이론은 그만하고, 실제 성과를 보자. 이게 제일 궁금하잖아.

🔋 사례 1 : 배터리 고체 전해질

전고체 배터리, 요즘 난리지. 액체 전해질 대신 고체를 쓰면 불이 안 나거든. 문제는 고체는 이온이 잘 안 움직인다는 거.

마이크로소프트와 미국 PNNL(태평양북서국립연구소)이 2024년에 협업했는데, 3,200만 개 후보를 AI로 스크리닝해서 최종 18개로 압축했어. 걸린 시간 80시간. 이 중 하나(리튬 일부를 나트륨으로 치환한 고체 전해질, N2116)를 실제로 합성해서 작동하는 배터리를 만들어냈어. 리튬 사용량을 약 70% 줄인 게 핵심이야.

전통 방식이었다면? 관계자들 추산으로 20년 이상.

🧲 사례 2 : 희토류 없는 영구자석

전기차 모터에 들어가는 강력한 자석은 네오디뮴(Nd), 디스프로슘(Dy) 같은 희토류를 써. 문제는 중국 의존도가 극단적으로 높다는 거 — 지정학 리스크 그 자체지.

영국 스타트업 Materials Nexus는 AI 플랫폼으로 1억 개 이상3개월 만에 도출했다고 발표했어. 셰필드대와 함께 실제 합성·검증까지 진행했고. 기존 개발 주기 대비 200배 빠르다는 주장인데, 상용화까진 아직 갈 길이 있지만 방향성은 분명해.

🌫️ 사례 3 : MOF와 탄소 포집

MOF(금속-유기 골격체)는 스펀지 같은 다공성 물질이야. 각설탕 하나 크기에 축구장 면적의 내부 표면적이 들어 있어. CO₂ 포집에 딱이지.

문제는 MOF의 가능한 구조가 사실상 무한대라는 것. 그래서 여기가 AI 놀이터가 됐어. 버클리 오마르 야기(MOF의 아버지) 그룹은 AI 스크리닝으로 습한 공기에서도 CO₂를 잘 잡는 COF-999를 보고했고, 기계학습 기반 가상 스크리닝으로 수십만 개 가상 MOF를 훑는 연구가 표준 방법론이 됐어.

💊 사례 4 : 단백질 — 옆 동네지만 꼭 봐야 할

소재는 아니지만 짚고 가야 해. AlphaFold가 2억 개 이상 단백질 구조를 예측해서 생물학을 갈아엎었고, 데미스 허사비스와 존 점퍼가 2024년 노벨화학상을 받았지. 같은 해 데이비드 베이커는 단백질 디자인(RFdiffusion 등)으로 공동 수상했어.

이게 왜 중요하냐면 — "AI가 구조를 예측하고 생성한다"는 패러다임이 노벨상으로 공인받았다는 뜻이거든. 무기 소재 쪽도 정확히 같은 길을 가고 있어.

🇰🇷 사례 5 : 한국은 뭐 하고 있나

우리나라도 꽤 열심히 달리고 있어.

• KIST, KIMS(재료연구원) 중심의 AI 소재 연구 플랫폼 구축
• K-MEM(소재 데이터 통합 플랫폼) 등 국가 차원 소재 데이터베이스 사업
• 삼성·LG·포스코 등 기업 연구소의 배터리·디스플레이·강재 조성 최적화에 ML 도입
• KAIST, 서울대, 포스텍 등에서 MLIP·생성모델 논문 활발히 배출

특히 한국은 반도체·배터리·디스플레이라는 소재 수요가 미친 듯이 큰 산업을 갖고 있어서, AI 소재 설계가 곧바로 돈이 되는 구조야. 이게 최대 강점.

🧰 5장. 현실 체크 — AI 소재 설계의 아픈 곳들

여기서 분위기 한번 식히자. 위에 좋은 얘기만 잔뜩 했는데, 냉정하게 봐야 진짜 전문가야.

🚨 문제 1 : "안정하다"와 "만들 수 있다"는 다르다

GNoME가 220만 개를 찾았다고 했지? 근데 여기서 "찾았다"는 건 정확히는 "DFT 계산상 열역학적으로 안정할 것으로 예측됐다"는 뜻이야.

열역학적 안정성 ≠ 합성 가능성. 이건 소재공학의 오랜 진리야.

실제로 2024년, 프린스턴의 로버트 카바 교수 등 저명 고체화학자들이 GNoME와 A-Lab 결과에 대해 "화합물로서 근본적으로 새로운 것은 거의 없다"는 취지의 비판 논평을 냈어. 많은 예측이 기존 물질의 원소 치환 변형이거나, A-Lab이 합성했다는 물질 중 상당수가 XRD 해석 오류로 실제로는 기존 상이었다는 지적이었지.

🚨 문제 2 : 데이터 품질과 편향

앞서 말한 실패 데이터 부재 말고도 문제가 많아.

• 측정 조건 불일치 — 같은 물질도 실험실마다 값이 다름
• 표준화 부재 — 논문마다 표기법, 단위, 정의가 제각각
• DFT 자체의 오차 — 학습 데이터가 틀리면 AI도 똑같이 틀림(garbage in, garbage out)
• 편중된 탐색 — 이미 많이 연구된 산화물 위주로 데이터가 쏠려 있음

🚨 문제 3 : 외삽(Extrapolation)의 벽

머신러닝의 근본적 한계야. 학습한 데이터 분포 안에서는 신들린 듯 잘 맞추는데, 완전히 낯선 영역으로 나가면 자신감 있게 헛소리를 해.

근데 진짜 혁신적인 소재는 보통 데이터 분포 바깥에 있단 말이지. 이게 아이러니야. 고온초전도체 같은 건 기존 패턴으로는 예측이 안 돼.

그래서 요즘 뜨는 게 불확실성 정량화(UQ)야. AI가 "나 이거 잘 모르겠어"라고 솔직하게 말하게 만드는 기술. 앙상블, 베이지안 신경망, Conformal Prediction 같은 방법들이 쓰여.

🚨 문제 4 : 설명 가능성

AI가 "이 조성이 좋아요"라고 하는데 왜 좋은지 설명을 못 하면, 연구자 입장에선 찜찜하지. 과학은 이해를 추구하는 활동이니까.

그래서 SHAP 값 분석, 물리 기반 기술자(descriptor) 설계, 심볼릭 회귀(SISSO 같은) 같은 해석 가능한 ML 접근이 계속 연구되고 있어.

🚨 문제 5 : 공정과 스케일업의 절벽

마지막이자 가장 현실적인 벽. AI가 완벽한 조성을 찾아줘도, 그걸 싸게, 대량으로, 균일하게 만들 수 없으면 논문으로 끝나.

배터리 업계 격언이 있어. "실험실 코인셀에서 좋은 데이터 나오는 소재 100개 중, 파우치셀 가는 건 10개, 양산 가는 건 0~1개."

🔭 6장. 앞으로 5~10년, 뭐가 올까

🌐 트렌드 1 : 소재 파운데이션 모델

지금은 "밴드갭 예측 모델", "탄성계수 예측 모델"처럼 물성마다 모델이 따로야. 근데 GPT처럼 하나의 거대 모델이 모든 걸 다 하는 방향으로 가고 있어.

이미 조짐이 보여. MACE-MP-0, CHGNet, SevenNet 같은 범용 원자간 퍼텐셜(uMLIP)은 주기율표 거의 전 영역을 하나의 모델로 커버해. 앞으로는 "구조 넣으면 열역학·역학·전자·광학 물성 다 나오는" 모델이 표준이 될 거야.

🤝 트렌드 2 : LLM 에이전트가 연구를 지휘한다

이게 진짜 흥미로운 지점이야. 대형 언어모델이 단순 챗봇을 넘어 연구 코디네이터가 되고 있어.

카네기멜런의 'Coscientist'(2023, Nature)는 GPT-4 기반 에이전트가 문헌을 검색하고, 실험 프로토콜을 짜고, 로봇 실험 장비 API를 직접 호출해서 팔라듐 촉매 교차결합 반응을 수행했어. 사람의 개입 최소로.

🔁 트렌드 3 : Closed-Loop의 일상화

예측 → 합성 → 측정 → 학습 → 다시 예측. 이 고리가 사람 손 없이 돌아가는 게 최종 목표야. 베이지안 최적화와 능동학습이 여기 핵심 알고리즘이고.

포인트는 이거야. 능동학습은 "가장 성능 좋을 것 같은 후보"만 고르지 않아. "가장 불확실해서 실험하면 많이 배울 수 있는 후보"도 골라. 탐험(exploration)과 활용(exploitation)의 균형이지. 이게 사람보다 AI가 잘하는 부분이야 — 사람은 자기 직관을 벗어난 실험을 잘 안 하거든.

♻️ 트렌드 4 : 지속가능성이 설계 변수로

이제 소재를 평가할 때 성능만 보지 않아.

• 자원 희소성 — 코발트, 희토류 줄이기
• 재활용 가능성 — 분해·회수 설계(Design for Recycling)
• 생산 탄소배출 — 시멘트, 철강의 저탄소 공정
• 독성 — 납 없는 페로브스카이트 태양전지 등

AI 최적화 목적함수에 이런 항목들이 들어가기 시작했어. 다목적 최적화(Multi-objective Optimization)로 파레토 최적 해집합을 뽑아내는 거지.

⚛️ 트렌드 5 : 양자컴퓨팅과의 만남

좀 더 먼 얘기지만 빼놓을 수 없어. 강상관 전자계(고온초전도체, 일부 촉매)는 고전 컴퓨터의 DFT로는 정확히 못 풀어. 양자컴퓨터는 원래 이런 양자 문제 풀라고 만든 거거든.

아직 실용 단계는 아니지만, IBM·구글·마이크로소프트 모두 "양자컴퓨팅의 첫 킬러 앱은 화학·소재 시뮬레이션"이라고 입을 모으고 있어.

🎓 7장. 그래서 나는 뭘 준비해야 하나

여기까지 읽었으면 궁금할 거야. "그래서 소재공학 전공하면 망하는 거야, 흥하는 거야?"

결론부터 말할게. 흥해. 단, 조건이 있어.

🧩 AI가 대체 못 하는 영역

🛠️ 실전 스킬 로드맵

맛보기 코드 하나 보여줄게. pymatgen으로 물질 정보 가져오는 건 이 정도로 간단해.

# pip install pymatgen mp-api
from mp_api.client import MPRester

with MPRester("YOUR_API_KEY") as mpr:
    docs = mpr.materials.summary.search(
        elements=["Li", "Fe", "P", "O"],
        band_gap=(2.0, 4.0),          # 밴드갭 범위 필터
        energy_above_hull=(0, 0.05),  # 안정성: hull 위 0.05 eV 이내
        fields=["material_id", "formula_pretty",
                "band_gap", "density"]
    )

for d in docs[:5]:
    print(d.material_id, d.formula_pretty,
          f"Eg={d.band_gap:.2f} eV", f"rho={d.density:.2f}")

이 몇 줄이 예전엔 대학원생 반년치 문헌조사였어. 진짜로.

그리고 MLIP로 에너지 계산하는 것도 이 정도야.

from ase.build import bulk
from mace.calculators import mace_mp

atoms = bulk("Si", "diamond", a=5.43)
atoms.calc = mace_mp(model="medium", device="cpu")

print("Energy (eV):", atoms.get_potential_energy())
print("Forces:", atoms.get_forces())
# DFT라면 수십 분, 여기선 1초 미만

💼 커리어 지도

• 계산재료과학자 — 시뮬레이션+ML로 후보 발굴 (반도체·배터리 대기업, 국책연구소)
• 소재 데이터 엔지니어 — 사내 소재 DB 구축, 파이프라인 설계
• 자율실험실 엔지니어 — 로봇+장비+소프트웨어 통합. 희소인력, 몸값 상승 중
• 공정 최적화 엔지니어 — 양산 라인에서 ML로 수율 개선. 실수요 가장 큼
• AI 소재 스타트업 — Citrine, Radical AI, Orbital Materials, Periodic Labs 등 글로벌에서 투자 활발

공통점 보여? 소재 도메인 지식 × 데이터 역량. 둘 다 있으면 지금 시장에서 거의 무적이야. 한쪽만 있으면 그냥 평범하고.

📝 8장. 핵심 요약 카드

🙋 자주 묻는 질문

🌱 마치며 : 다음 시대의 이름

석기, 청동기, 철기. 인류는 늘 소재로 시대를 불러왔어.

지금 우리가 서 있는 지점은 꽤 특별해. 역사상 처음으로 "만들어보기 전에 알아내는" 방법을 손에 넣었거든. 에디슨이 6,000번 실패하며 찾던 걸, 이제 GPU 위에서 며칠 만에 훑을 수 있게 됐어.

물론 과장된 헤드라인도 많고, 실제 상용화까지의 벽은 여전히 높아. 220만 개 예측 중 실제로 세상을 바꿀 물질이 몇 개일지는 아무도 몰라. 어쩌면 열 개도 안 될 수도 있지.

근데 생각해봐. 그 열 개를 찾는 시간이 200년에서 2년으로 줄었다면, 그건 이미 혁명이야.

기후위기 대응 소재, 무한에 가까운 에너지 저장, 값싼 담수화 막, 초효율 반도체 — 인류가 급하게 필요로 하는 것들이 전부 소재 문제에 걸려 있어. 시간이 없는 상황에서 개발 속도를 10배, 100배 올리는 기술은 그 자체로 엄청난 가치야.

그리고 이 일을 할 사람은 결국 사람이야. AI는 도구고, 도구를 어디에 쓸지 정하는 건 우리 몫이니까.

혹시 지금 소재공학 공부하고 있거나, 관심만 있는 상태라면 — 진짜 좋은 타이밍에 온 거야. 판이 새로 짜이는 중이거든. 새로 짜이는 판에서는 늦게 온 사람도 앞줄에 설 수 있어.

자, 이제 커피 다 식었네. 그럼 다음에 또 재밌는 얘기 들고 올게. 👋