AI, 이제는 과학 연구의 동반자
요즘 AI 이야기가 빠지는 곳이 없죠. 챗봇이 글을 쓰고, 그림 그리고, 심지어 코딩까지 하는 시대니까요. 그런데 AI가 과학 연구실에서도 혁신을 주도하고 있다는 사실, 알고 계셨나요? 단순히 데이터 분석을 도와주는 수준을 넘어, 아예 새로운 소재를 예측하고 설계하는 단계까지 왔습니다.
특히 최근 기초과학연구원(IBS) 나노입자 연구단의 연구 결과가 학계의 큰 주목을 받고 있습니다. 현택환 단장(서울대 화학생물공학부 석좌교수) 연구팀이 개발한 AI 기술이 그린수소 생산의 핵심인 ‘촉매’ 개발 방식을 완전히 뒤바꿀 가능성을 보여줬거든요. 이 연구 성과는 권위 있는 국제학술지 네이처 머터리얼스(Nature Materials)에 실리며 그 가치를 인정받았습니다.
사실 AI가 환경·에너지 문제 해결에 활용된 사례는 점점 늘어나고 있습니다. 예를 들어 UNIST는 위성 데이터로 메탄 누출을 탐지하는 AI 기술을 개발한 바 있는데요. 이번 IBS의 연구는 한 걸음 더 나아가 AI가 직접 새로운 소재를 발굴하는 데 성공했다는 점에서 의미가 각별합니다. AI가 과학자의 연구 방향을 제시하는 수준에 도달한 셈이죠.
‘크로스브리딩 신경망’이라는 새로운 접근법
기존 AI 촉매 연구의 한계
지금까지 AI를 활용한 촉매 연구는 대부분 하나의 물질군 안에서 최적의 후보를 찾는 데 집중해 왔습니다. 예를 들어 ‘단일원자 촉매’ 데이터만 모아서 학습하거나, ‘산화물 촉매’만 따로 학습하는 식이었죠. 마치 야구 선수만 모아놓고 최고의 타자를 뽑는 것과 비슷합니다. 물론 그 안에서는 의미 있는 성과들이 나왔지만, 서로 다른 물질군의 장점을 결합하는 시도는 거의 없었습니다.
그런데 IBS 연구진은 생각의 틀을 완전히 깼습니다. “왜 서로 다른 물질군의 데이터를 합쳐서 학습시키면 안 될까?”라는 근본적인 질문에서 출발했죠. 축구 선수와 농구 선수의 장점을 합쳐 더 뛰어난 선수를 만드는 것처럼, 서로 다른 촉매군의 강점을 하나의 AI 모델에서 결합하자는 발상이었습니다.
CBNN의 작동 원리
IBS 연구진이 개발한 크로스브리딩 신경망(Crossbreeding Neural Network, CBNN)은 이름 그대로 ‘교차 교배’의 개념을 AI 알고리즘에 적용한 것입니다. 이 기술의 핵심은 두 가지 전혀 다른 촉매군의 데이터를 하나의 AI 모델 안에서 함께 학습하도록 설계한 점입니다.
구체적으로는 단일원자 촉매의 ‘표면 정보’ 와 페로브스카이트 산화물 촉매의 ‘내부 구조 정보’ 라는 서로 다른 특성의 데이터를 결합했습니다. 단일원자 촉매는 표면의 원자 배열이 촉매 성능을 결정짓는 핵심 요소인 반면, 페로브스카이트 산화물은 결정 구조 자체가 성능에 큰 영향을 미칩니다. 이렇게 성격이 다른 두 데이터를 하나의 신경망이 동시에 학습하도록 만든 것이 CBNN의 가장 큰 혁신 포인트입니다.
쉽게 말해, AI에게 두 분야의 지식을 모두 가르친 뒤, 두 분야의 장점만을 조합한 전혀 새로운 촉매를 스스로 설계하도록 한 것이죠. 이는 마치 요리사가 한식과 일식의 재료와 기법을 모두 익힌 뒤, 그 어디에도 없던 퓨전 요리를 창조해내는 과정과 닮아 있습니다.
놀라운 성과: 실험으로 증명된 AI의 예측
이론만으로 끝난 것이 아닙니다. 연구팀은 CBNN이 예측한 12종의 촉매 후보군을 실제로 합성하고 실험을 통해 검증했습니다. 그 결과는 놀라웠어요.
먼저, AI가 예측한 성능 순위와 실제 실험 결과가 거의 완벽하게 일치했습니다. 이는 AI가 단순한 운이 아니라 실제 물질 과학의 패턴을 제대로 학습했다는 의미입니다. 더욱 놀라운 점은 CBNN이 찾아낸 최고 성능의 촉매가 기존 학습 데이터에 포함된 어떤 촉매보다 뛰어난 성능을 보였다는 사실입니다. 즉, AI가 기존 데이터만으로는 도달할 수 없었던 새로운 영역의 소재를 발견해낸 것이죠.
여기에 더해 연구팀은 AI의 판단 근거를 설명할 수 있도록 모델을 설계했다는 점도 주목할 만합니다. 일반적으로 AI는 결과는 정확하지만 그 이유를 설명하기 어려운 ‘블랙박스’ 문제가 있습니다. 하지만 이번 연구에서는 AI가 어떤 요소를 바탕으로 촉매 성능을 판단했는지, 성능 향상의 핵심 인자를 사람이 이해할 수 있도록 제시했습니다. 이는 AI 기반 소재 개발이 단순한 예측을 넘어 과학적 설계 원리를 함께 제공하는 방향으로 나아갈 수 있음을 보여주는 중요한 이정표입니다.
이 기술이 가져올 변화
그린수소 경제의 가속화
그린수소는 재생에너지로 물을 전기분해해 만드는 청정 에너지원으로, 탄소중립 시대의 핵심 에너지로 주목받고 있습니다. 하지만 현실적인 걸림돌이 있었으니, 바로 생산 비용 문제입니다. 현재 그린수소 생산 비용의 상당 부분은 전기분해 과정에 사용되는 촉매의 성능과 가격이 차지하고 있습니다.
값비싼 귀금속(백금, 이리듐 등) 촉매를 대체할 저렴하면서도 효율적인 촉매를 찾는 것은 전 세계 연구자들의 오랜 숙제였습니다. 전통적인 방식은 수많은 후보 물질을 하나하나 합성하고 테스트하는 시행착오를 반복해야 했기 때문에, 새로운 촉매를 개발하는 데 평균 10년 이상의 시간이 소요되곤 했습니다.
IBS 연구진의 CBNN 기술이 상용화된다면 이러한 촉매 개발 기간이 획기적으로 단축될 수 있습니다. 방대한 물질 공간을 AI가 빠르게 탐색하면서 최적의 조합을 몇 주 혹은 며칠 만에 예측할 수 있기 때문입니다. 이는 그린수소의 경제성 확보에 결정적인 전환점이 될 수 있습니다.
연구 패러다임의 전환
IBS 현택환 단장은 이번 연구의 의의에 대해 “특정 물질군 안에서 최고 촉매를 찾는 기존 접근을 넘어, 서로 다른 촉매군의 지식을 결합해 더 넓은 물질 공간에서 최고 성능 촉매를 찾을 수 있음을 보여준 성과”라고 설명했습니다.
이러한 접근법은 촉매 개발을 넘어 배터리, 에너지 소재, 신약 개발 등 복잡한 물질 탐색이 필요한 다양한 분야로 확장될 수 있습니다. AI가 하나의 물질군 안에서 최적을 찾는 ‘최적화 도구’를 넘어, 서로 다른 지식 영역을 연결해 새로운 가능성을 창출하는 ‘창의적 파트너’ 로 도약할 수 있다는 것이 이번 연구가 던지는 가장 큰 메시지입니다.
흥미롭게도 정부 차원에서도 AI를 연구개발에 적극 활용하려는 움직임이 본격화되고 있습니다. 이미 국가 R&D 예산을 AI가 심의하는 시대가 열렸을 정도니까요. AI가 단순한 연구 보조 도구를 넘어, 연구의 방향성 자체를 제안하고 검증하는 단계로 진입하고 있는 셈입니다.
마치며: AI와 과학의 시너지
이번 IBS의 연구는 AI가 과학 발전에 어떤 역할을 할 수 있는지 극명하게 보여줍니다. AI는 이제 단순히 ‘데이터를 더 빠르게 처리하는 도구’가 아니라, 인간이 미처 생각하지 못한 새로운 지식의 연결고리를 찾아내는 창의적 파트너로 진화하고 있습니다.
물론 아직 갈 길은 멉니다. 이 기술이 실제 산업 현장에서 상용화되기까지는 추가적인 연구와 검증이 필요하고, 다양한 물질군으로의 확장 적용도 검증되어야 합니다. 하지만 AI와 인간 연구자의 협업이 어떤 시너지를 만들어낼 수 있는지, 그 가능성을 극명하게 확인했다는 점에서 이번 연구는 큰 의미가 있습니다.
앞으로 AI가 어떤 새로운 소재와 기술을 우리 앞에 내놓을지, 정말 기대되지 않나요? 기술의 진보가 환경 문제 해결로 이어지는 선순환, 그 현장을 지켜보는 재미가 쏠쏠할 것 같습니다.