배터리 전해액의 배합, 반도체 공정소재의 조성, 고분자의 첨가제 비율을 정하는 일에는 수많은 조합과 실험이 필요하다. 소재지능은 축적된 데이터와 AI를 활용해 유망한 후보를 고르고, 실험 결과를 다음 설계에 반영하는 접근이다. 기업에는 개발기간을 줄이는 기회와 함께, 보유한 실험·공정 데이터를 새로운 사업 자산으로 활용할 가능성을 제공한다.

소재의 목표 성능을 설계 조건으로 바꾸는 AI

소재개발에서 AI가 맡을 수 있는 역할은 다양하다. 조성과 공정조건을 입력해 물성을 예측하거나, 목표 성능을 만족할 가능성이 높은 조합을 추천할 수 있다. 연구자는 이를 활용해 탐색 범위를 좁히고, 비용과 시간이 많이 드는 실험의 우선순위를 정할 수 있다. 이 글에서 소재지능은 이러한 데이터·모델·실험의 연결을 통해 소재개발과 적용 의사결정을 지원하는 체계를 뜻한다.

마이크로소프트 연구진이 2025년 공개한 MatterGen은 생성형 AI를 무기 결정 소재의 설계에 적용한 사례이다. 원소와 원자 위치, 결정격자를 함께 다루며 화학적 조성이나 기계·전자·자기적 특성 등의 조건에 맞는 후보 구조를 생성한다. 목표에 가까운 후보를 제안한다는 점에서 연구자가 검토할 설계공간을 넓히는 도구이다.[1]

기업이 이러한 기술을 활용할 때에는 제품 요구를 모델의 입력 조건으로 구체화해야 한다. 목표 물성에 더해 사용할 수 있는 원료, 공정온도, 원가와 제조설비의 제약을 함께 정해야 후속 실험으로 연결할 후보를 선별할 수 있다. 생성된 구조의 합성 가능성과 실제 제품 성능은 해당 공정과 사용환경에서 확인하는 과정이 필요하다.

전해액 개발 사례에서 확인한 자율실험의 활용

자율실험실은 모델이 추천한 조건으로 실험을 수행하고, 측정 결과를 반영해 다음 실험을 선택하는 방식이다. 조성 변화에 따른 물성을 반복 측정할 수 있는 배합 분야는 이러한 접근을 검토할 수 있는 적용처이다.

Dave 등의 2022년 연구는 자동화 실험장치 Clio와 실험계획 알고리즘 Dragonfly를 연결해 리튬이온전지 전해액을 탐색했다. 단일 염과 세 종류 용매로 구성한 설계공간에서 이틀간 42회의 실험을 수행했으며, 선정한 전해액 6종을 220 mAh 흑연·NMC532 파우치셀에서 평가했다. 해당 시험에서 후보 전해액을 적용한 셀은 사전에 선택한 기준 전해액보다 향상된 급속충전 성능을 보였다.[2]

이 사례는 배합 추천과 자동 측정, 실제 셀 평가를 연결한 연구실 수준의 실증이다. 기업이 도입 효과를 판단하려면 같은 목표와 시험조건에서 필요한 실험 횟수와 소요기간을 비교해야 한다. 양산 적용을 위해서는 장기수명과 안전성, 대형셀 성능, 원료 로트 변화에 대한 후속 평가도 필요하다.

<그림> 사람의 감독 아래 데이터·컴퓨팅·로봇이 연결되는 폐루프 소재개발 구조

자료: MacLeod et al.(2020), MGI AMII IWG(2024), NSTC(2021)을 바탕으로 IRS Global 작성함.

산업별 병목에 따라 달라지는 소재지능의 적용지점

소재지능의 도입 과제는 해당 산업의 개발·생산 병목에서 출발할 수 있다. 배터리는 여러 성능을 동시에 만족하는 조성 탐색이 중요하고, 전자소재는 소재 특성이 실제 공정의 결함과 균일도에 미치는 영향을 파악해야 한다. 배합제품은 성분 간 상호작용과 보관 안정성을 함께 고려해야 하며, 촉매와 흡착재는 실제 원료와 반복 운전에서의 성능이 중요하다.

<표> 주요 산업의 소재지능 활용과 사업화 확인항목

자료: IRS Global 소재지능 보고서의 산업별 적용분야 분석을 바탕으로 작성함.

여기서 기업의 축적 데이터는 구체적인 차별화 요소가 될 수 있다. 같은 배합이라도 원료 등급, 혼합 순서, 경화조건과 장비가 달라지면 결과가 달라질 수 있기 때문이다. 조성표에 시료와 원료 로트, 제조 이력, 시험조건을 연결하면 자사 제품과 공정에 맞는 모델을 구축하는 기반이 된다.

기업 도입의 출발점은 범위가 분명한 개발 과제

초기에는 특정 제품군의 배합 탐색이나 반복적으로 발생하는 품질 문제처럼 목표와 평가방법이 분명한 과제를 선정하는 것이 현실적이다. 기존 개발방식의 소요기간과 실험 횟수, 비용, 합격기준을 기록한 뒤 AI를 적용하면 개선 효과를 비교할 수 있다.

모델 검증에는 이후 사용할 조건을 반영해야 한다. 새로운 원료 로트나 다른 장비에 적용할 계획이라면, 해당 조건에서 얻은 데이터를 평가에 포함해야 한다. 성공한 배합과 함께 실패한 실험, 제외한 후보의 사유를 남기는 작업도 중요하다. 이러한 기록은 후속 탐색에서 같은 실패를 줄이고 모델의 적용범위를 판단하는 근거가 된다.

소재 데이터와 검증 역량을 결합하는 사업모델

소재지능과 연결된 사업모델은 예측 소프트웨어, 기업용 소재 데이터 관리, 실험자동화 시스템, 공동개발 및 시험평가 서비스 등으로 구성할 수 있다. 소재기업은 자사의 조성·공정 경험과 검증 역량을 활용해 고객 요구에 맞는 후보를 제안하고, 솔루션 기업은 데이터와 장비를 연결하는 도구를 공급할 수 있다.

사업기획에서는 후보 추천 이후 고객이 다음 단계로 이동하는 데 필요한 결과물까지 정하는 것이 중요하다. 원료 정보와 제조조건, 반복시험 결과, 적용 가능한 범위를 함께 제공하면 고객 평가와 기술이전에서 자료를 재사용할 수 있다. 이러한 연결이 축적될수록 소재지능은 개별 연구과제를 지원하는 도구에서 기업의 반복적인 개발 업무를 뒷받침하는 기반으로 활용될 수 있다.

참고자료

[1] Microsoft Research (2025.1.16). MatterGen: A new paradigm of materials design with generative AI.

[2] Dave, A. et al. (2022). Autonomous optimization of non-aqueous Li-ion battery electrolytes via robotic experimentation and machine learning coupling. Nature Communications, 13, 5454.

[AI 기반 소재지능(Materials Intelligence) 기술·시장 동향과 산업별 적용사례 및 사업화 전략] 보고서 상세 보기

https://www.irsglobal.com/shop_goods/goods_view.htm?category=02000000&goods_idx=103405&goods_bu_id=