차세대 반도체와 전자소재를 찾는 작업을 AI가 크게 앞당기고 있다. 테크엑스플로어(TechXplore)에 따르면, 호주 플린더스대학교가 아랍에미리트(UAE) 칼리파대학교와 함께 꾸린 국제 연구진이 머신러닝 기반의 '스마트 소재 탐색 엔진'을 개발했다. 새로운 컴퓨터 칩 소재와 전자 재료를 찾는 속도를 끌어올리는 것이 목표다.

이 플랫폼은 방대한 후보 물질 가운데 원하는 전기·물리적 특성을 갖춘 소재를 빠르게 추려 내도록 설계됐다. 연구진은 머신러닝 모델이 사람의 직관 대신 데이터를 바탕으로 유망 후보를 좁혀 주는 '발견 엔진'처럼 작동한다고 설명했다. 어떤 조합이 목표 성능을 낼 가능성이 높은지를 미리 예측해 우선순위를 매기는 방식이다.

신소재 개발은 전통적으로 수많은 합성·측정 실험을 반복해야 하는 고비용·장기 과제였다. 후보 물질의 경우의 수가 천문학적이라 사람이 일일이 시험하기에는 한계가 뚜렷하다. 실험실에서 하나의 유망 소재를 찾는 데 수년이 걸리기도 한다. AI가 이 탐색 공간을 미리 좁혀 주면, 실험 횟수를 줄이고 개발 기간을 단축할 여지가 생긴다.

특히 컴퓨터 칩과 전자소재 분야는 미세 공정의 물리적 한계가 다가오면서 새로운 물질에 대한 수요가 커지고 있다. 실리콘을 넘어서는 차세대 반도체 소재나, 발열·전력 효율을 개선할 신소재 발굴이 과제다. AI 가속기·메모리 성능을 끌어올리려면 소재 단계의 혁신이 뒷받침돼야 한다는 점에서, 소재 탐색의 자동화는 반도체 경쟁력과도 맞닿아 있다.

이런 접근은 구글 딥마인드(Google DeepMind)가 수십만 종의 신물질 구조를 예측해 공개한 'GNoME' 프로젝트 등으로 이미 가능성을 보여 준 바 있다. 학계와 산업계 곳곳에서 비슷한 '소재 발견 AI'가 잇따라 등장하는 흐름이다. 이번 플린더스대 연구는 한 대학·연구 그룹 차원에서도 이런 발견 엔진을 구축할 수 있음을 보여 줬다는 점에서 의미가 있다.

'AI for Science'로 불리는 이런 움직임은 신약 개발과 배터리, 촉매 연구 등으로도 번지고 있다. 소재·부품 분야에 강점을 둔 국내 산학연에도 AI 기반 소재 탐색은 연구 생산성을 높일 카드로 눈여겨볼 만하다. 다만 AI가 제시한 후보는 결국 실험실에서 합성·검증을 거쳐야 실제 가치를 인정받는다는 점에서, AI와 실험을 어떻게 맞물려 돌릴지가 성패를 가를 것으로 보인다. 데이터의 양과 질이 모델 성능을 좌우하는 만큼, 양질의 실험 데이터를 축적하는 일도 함께 중요해지고 있다.

자세한 내용은 테크엑스플로어(TechXplore) 에서 확인할 수 있다.

이미지 출처: 이디오그램 생성

관련기사

■ 이 기사는 AI 전문 매체 ‘AI 매터스’와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)