Overview
본 보고서는 2025년 이후 소재 과학 분야에서 AI가 주도하고 있는 세 가지 기술적 한계 돌파를 다룹니다. 관측, 구조 추정, 합성 경로 설계, 전자적 물성 평가, 그리고 실험 선택을 하나로 묶는 "Closed-loop Science Workflows"의 등장은 기존의 시행착오 기반 연구 패러다임을 혁신하고 있습니다.
역추론: 관측 신호로부터의 구조 유추
구조는 소재의 물성을 결정하는 가장 핵심적인 요소입니다. 역추론(Inverse Problem)은 PXRD, 전자 회절, Raman 등의 실험적 관측 신호로부터 결정 구조, 격자 상수, 원자 좌표, 결함 등을 역으로 추산하는 과정입니다.
핵심 질문 (Research Questions)
- 다중 해(Multiple solutions)의 추정 및 보고 표준화
- 실험적 노이즈 및 불순물 혼합 대응
- 데이터 부족 문제 해결을 위한 자가 지도 학습(SSL)
- 실시간 분석을 통한 폐쇄형 시스템 구현
주요 접근 방식 (Approaches)
- PXRDGen: 확산 모델과 Rietveld 정밀화의 결합
- XRDSol: 대칭성을 고려한 Equivariant Diffusion 모델
- DONUT: 미분 가능한 물리 시뮬레이터를 통합한 ML
- CrystalShift: 확률적 라벨링 및 격자 정밀화
"미래의 자율 주행 연구실(Autonomous Lab)은 사람이 개입하지 않아도 수 초 내에 합성된 물질의 구조를 정확히 규명하고 다음 실험을 결정해야 합니다."
합성 설계: AI 기반의 레시피 최적화
계산 과학이 수많은 후보 물질을 제안함에 따라, 이제 병목 현상은 '합성'에서 발생합니다. 합성 설계는 전구체, 비율, 온도, 시간 등 복잡한 변수 공간에서 최적의 경로를 찾는 의사결정 과정입니다.
혁신적인 방법론
DiffSyn (Diffusion-Based Planning)
목표 구조에 특화된 레시피 분포를 생성하여 성공 확률을 극대화합니다.
LLM 기반 전구체 추천
수만 편의 논문을 학습한 LLM이 문헌상에 나타난 합성 지식을 추출하고 새로운 전구체 조합을 제안합니다.
ZeoNet (Synthesizability Filters)
가상의 물질이 실제로 합성 가능한지 사전에 필터링하여 실험 비용을 획기적으로 절감합니다.
전자수준 특성 예측: 정확도와 효율의 공존
소재의 기능성은 전자 수준에서 결정됩니다. 하지만 고정밀 양자 역학 계산(DFT)은 비용이 매우 높습니다. AI는 이 계산 과정을 가속화하거나 대체하는 역할을 수행합니다.
- Δ-Learning 기존 물리 모델과 실제 정밀 해의 차이만을 학습하여 효율성 극대화
- DeepH + HONPAS 수만 개의 원자를 포함한 대규모 시스템의 해밀토니안 예측
- QiankunNet QMC(Quantum Monte Carlo) 수준의 고정밀 데이터를 딥러닝으로 확장
- EC-DFT DFT의 체계적 오차를 ML로 보정하여 열역학적 예측도 향상
통합 아키텍처 및 지배 기제 발견
개별 모듈의 예측을 넘어, 불확실성을 공유하고 피드백을 주고받는 통합 시스템의 구조입니다.
주요 권고 문헌 (2025+)
| 핵심 분야 | 대표 논문 / 기술 | 기대 효과 |
|---|---|---|
| 역추론 | PXRDGen & XRDSol | 구조 규명 속도 100배 가속 및 다중 해 제시 |
| 합성 설계 | DiffSyn & MPDE-BO | 합성 시도 횟수 60% 이상 절감 |
| 전자 수준 | DeepH-HONPAS | 대규모 복합 계면의 전자기적 거동 해석 가능 |
| 통합 시스템 | Closed-loop AI Lab | 완전 자율형 소재 발견 가속화 |