문제점: 생성된 소재의 불안정성

인공지능을 이용하면 단 몇 분 안에 수백만 개의 새로운 소 구조 설계를 생성할 수 있지만, 실제 산업에 바로 쓸 수 있는 물질은 극히 일부에 불과하다.这是因为大多数由AI生成的候选材料在化学上不稳定，容易分解或反应，无法用于实际制造过程。因此研究·개발 단계에서 수천 번의 검증 실험을 거쳐야 하며, 이는 시간과 비용을 크게 늘리는 요인으로 작용한다. MIT 연구팀은 이 같은 ‘생성-검증’ 반복 구조가 신소재 개발의 병목 현상이 되고 있다고 지적했다。

해결책: 원자가 제약 기반 결정 구조 생성기

연구진은 생성 단계부터 화학적으로 안정한 물질만 나오도록 하는 새로운 AI 프레임워크 ‘원자가 제약 기반 결정 구조 생성기(Crystal Generator with Valence‑Constraint, CGVC)’를 고안했다. 이 모델은 결정 구조를 생성할 때 각 원자의 결합 가능 전자가 충족되는지를 실시간으로 검사하여, 결합이 불가능하거나 과잉된 전자를 가진 구조는 자동으로 배제한다. 생성 과정에서 valence(가전자) 제약을 내장함으로써, 화학적으로 불가능한 결합을 사전에 차단하고 오직 안정적인 결정 격자만 출력하도록 설계되었다. 실험 결과, CGVC가 생성한 후보 물질 중 90％ 이상이 기존 밀도 함수 이론 계산으로 확인된 열역학적으로 안정한 물질로 판정되었다.

이와 같은 방식은 후처리 단계에서의 불안정성 필터링 과정을 생략함으로써, 소재 탐색 속도를 기존 방법 대비 최대 10배까지 끌어올릴 수 있다. 연구팀은 CGVC를 이용해 리튬 이온 배터리용 양극 물질과 반도체용 유전체층 후보를 각각 생성하여, 초기 검증에서 원하는 전기·열 특성을示す 물질들을 확인했다고 밝혔다. 이는 신소재 개발 주기를 단축하고, 실험·합성에 소요되는 자원을 절감할 수 있는 가능성을 보여준다. 또한, 생성된 구조는 표준 결정 파일 형식(CIF)으로 바로 내보낼 수 있어, 후속 합성 실험이나 시뮬레이션에 바로 활용할 수 있다.

MIT 측은 이 기술을 향후 다층 복합 소재나 나노 구조 설계에도 확장할 계획이라고 전했다. 산업계에서는 배터리, 반도체, 촉매 등 고성능 소재가 필요한 분야에서 이 기술의 적용을 기대하고 있다. 다만, AI가 생성한 구조가 실제 합성 과정에서 순도나 결정 결함 없이 구현될 수 있는지 검증이 여전히 필요하다는 점도 함께 언급되었다. 연구진은 앞으로 고성능 컴퓨팅 자원과 자동화 실험실을 결합해 생성-검증-합성 파이프라인을 완전 자동화하는 것을 장기 목표로 제시했다.

CGVC의 핵심은 원자의 가전자 수를 기반으로 한 제약 조건을 생성 네트워크의 손실 함수에 직접 삽입하는 점에 있다. 이로 인해 모델은 화학적으로 불가능한 결합을 만들어내는 확률을 근본적으로 낮추고, 안정적인 결정 격자를 선호하도록 학습된다. 기존의 생성 모델은 순 구조적 특징만을 학습했기 때문에 화학적 타당성을 사후에 검증해야 했지만, CGVC는 생성 단계부터 타당성을 보장한다. 이러한 내재적 제약은 생성 과정의 계산 비용을 거의 증가시키지 않으면서도 안정성 비율을劇적으로 높이는 것으로 나타났다. 연구팀은 이 방법을 다양한 조성계에 적용하여 산화물, 질화물, 할라이드 계열 소재 모두에서 유사한 성능 향상을 확인했다고 설명했다.

#MIT#AI 소재 설계#안정성#Crystal Generator#발렌스 제약

출처: 인공지능신문 · 이 기사는 에이든 기자가 원문 보도를 참고해 재구성했습니다.