배터리 전해액을 개발할 때에는 이온전도도와 함께 전극과의 반응, 충전 성능, 수명과 안전성을 살펴야 한다. 화장품의 대체 원료도 실제 크림에서 발림성과 사용감을 유지해야 제품에 쓸 수 있다. 소재기업이 해결해야 할 문제는 이처럼 여러 성능을 동시에 맞추는 일이다.

AI는 이 과정에서 시험할 후보를 줄이고, 배합을 추천하며, 실험 결과를 학습해 다음 조건을 고르는 데 활용되고 있다. 다만 후보를 찾은 성과, 시료를 만들어 확인한 성과, 제품에 적용한 성과는 각각 의미가 다르다. 실제 연구와 기업 사례를 통해 소재지능이 바꾸고 있는 개발 업무와 제품화 조건을 살펴보았다.

1. 소재기업이 AI에 맡길 수 있는 일은 무엇인가

소재개발에서 AI가 맡는 일은 크게 세 가지로 나누어 볼 수 있다. 첫째는 이미 알려진 조성과 구조의 물성을 예측해 실험할 후보를 고르는 일이다. 실험비가 많이 들거나 후보가 너무 많을 때, 가능성이 높은 대상을 먼저 시험하는 데 도움이 된다. 둘째는 원하는 성능을 입력하고 새로운 조성이나 구조를 제안받는 역설계이다. 셋째는 실험 결과를 반영해 다음 실험을 선택하는 일이다. 자동 배합·측정 장비를 함께 쓰면 추천과 실험을 반복하는 자율실험실로 발전할 수 있다.

세 방식에 필요한 자료와 설비는 서로 다르다. 계산으로 후보를 고르는 과제는 조성·구조와 물성의 관계가 중요하고, 배합을 개선하는 과제는 원료와 함량뿐 아니라 혼합·가공 조건까지 알아야 한다. 자율실험에서는 추천한 조건을 장비가 수행하고 결과를 다시 모델에 전달할 수 있어야 한다. 따라서 기업은 도입하려는 AI의 이름보다, 반복해서 수행하는 개발 업무 가운데 어느 부분을 개선할 것인지 먼저 정할 필요가 있다.

2. 수많은 후보를 좁힌 뒤, 실제 시료로 성능을 확인하였다

마이크로소프트 연구진은 2026년 5월 MatterSim을 활용한 열전도 소재 탐색 결과를 발표하였다. 연구진은 24만 개가 넘는 후보 소재의 물성을 계산한 뒤 탄탈럼 인화물(TaP)에 주목하였다. 이어 시료를 합성하고 열전도도를 측정했으며, 성능이 가장 좋았던 시료에서 152 W/(m·K)을 얻었다. 열전도도는 재료가 열을 얼마나 잘 전달하는지 나타내는 값이다(Microsoft Research, 2026).

이 사례에서는 이미 알려진 물질을 열전도체로 활용할 가능성을 찾았다. AI가 넓은 후보군을 계산하고, 연구진이 실제로 만들어 측정할 대상을 좁혔다는 점에 의미가 있다. 계산 결과를 실물 시험으로 이어 갔다는 점에서 후보 목록만 제시한 연구보다 확인한 범위가 넓다.

방열부품을 개발하는 기업이라면 그다음에는 다른 문제를 풀어야 한다. 재료 자체가 열을 잘 전달하더라도 원하는 두께와 형상으로 가공할 수 있는지, 접합면에서 열 전달이 얼마나 저하되는지, 반복적인 온도 변화에서 접합과 절연 성능이 유지되는지 등을 살펴야 한다. 재료의 물성값과 부품의 성능 사이에 있는 가공·접합·신뢰성 문제까지 다루어야 고객에게 공급할 수 있는 제품이 된다.

3. 전해액 탐색에서는 추천·자동실험·셀 평가를 연결하였다

Dave 등의 2022년 연구에서는 자동화 실험장치 Clio와 실험계획 알고리즘 Dragonfly를 결합하였다. 한 종류의 염과 세 종류의 용매로 정한 배합 범위에서, 측정 결과를 반영해 다음 실험을 선택하였다. 두 근무일 동안 42회 실험한 뒤 후보 6종을 220 mAh 파우치셀에서 평가하였다(Dave 외, 2022).

실험할 때마다 결과가 다음 배합 선택에 반영되었다. 논문은 같은 장치의 무작위 탐색보다 약 6배 빠른 탐색을 보고하였다. 해당 배합 범위와 비교조건에 한정된 결과이다(Dave 외, 2022).

연구진은 4C 충전 후의 방전용량을 기준 전해액을 사용한 셀과 비교하였다. 각 시험군의 최저 성능 셀끼리, 최고 성능 셀끼리 비교한 개선폭은 각각 5%와 13%였다. 소형 셀에서 얻은 결과이며 장기수명·안전성과 대형 셀·생산라인 적용은 후속 과제로 남았다(Dave 외, 2022).

기업이 참고할 부분은 추천부터 제품 수준의 시험까지 이어지는 개발 절차이다. 전해액의 이온전도도가 좋아진 뒤에도 전극과의 반응과 셀 성능을 다시 시험해야 한다. 같은 방식으로 코팅·접착 소재는 원료 물성을 확인한 다음 실제 기재에 도포하고 경화한 상태를 평가해야 한다. AI가 고른 후보를 어느 제품시험으로 넘길 것인지까지 정해 두어야 개발 업무의 개선으로 이어진다.

4. BASF는 대체 원료의 예측을 완제품 제형 평가로 이어 갔다

BASF의 Emollient Maestro는 목표로 정한 원료의 물성·사용감에 가까운 유연제 조합을 제안하는 서비스이다. 유연제는 화장품이 피부에 펴 발리는 정도와 사용감에 영향을 미치는 원료이다. 이 사례는 새로운 단일 물질을 찾는 문제와 함께, 기존 원료들을 어떤 비율로 조합할 것인가도 소재지능의 적용 대상임을 보여준다.

BASF 연구진은 2025년에 발표한 연구에서 화장품에 쓰이는 실리콘계 원료인 디메치콘의 물성·사용감을 목표로 세 종류의 유연제를 조합하는 후보를 제시하였다. 이 단계에서는 기준 원료의 실측값과 AI가 예측한 혼합물의 특성을 비교하였다. 이어 디메치콘을 10% 사용하는 주간용 페이스크림을 기준으로 대체 제형의 사용감을 평가하였다(Haake 외, 2025).

크림을 만들 때에는 추천된 유연제 조합을 넣는 작업과 함께 왁스, 알지네이트, 유화제 등 다른 성분도 조정하였다. 발림성뿐 아니라 바를 때 피부에 하얗게 남는 현상도 평가하였다. 원료 수준의 특성이 비슷하더라도 완제품 안에서 다른 성분들과 함께 작용하면 결과가 달라질 수 있기 때문이다. 공개된 관능 비교에서는 전반적인 경향이 유사했지만 일부 항목에는 차이가 표시되었다(Haake 외, 2025).

BASF는 이 접근을 고객이 검토할 수 있는 Day Care Face Cream 예시 제형으로 공개하였다. 2026년 10월에는 Emollient Maestro에 휘발성 관련 정보를 추가했다고 발표하였다. 피부 위에서 시간에 따라 달라지는 사용감을 배합 판단에 반영하려는 기능이다. 소재 공급사가 원료를 소개하는 데서 나아가 고객의 배합 설계를 지원하는 서비스로 활용한 사례이다(BASF, 연도 미상; BASF, 2026).

이 사례가 시사하는 사업 기회는 구체적이다. 원료기업이 고객의 목표 사용감과 허용 원료, 가공 조건을 받아 후보 배합과 시험 결과를 함께 제안하면, 고객이 대체 원료를 검토하는 부담을 줄일 수 있다. 고객의 반복 개발 과제에서 축적한 자료는 다음 제안에 다시 활용할 수 있다. 그 가치는 추천 건수보다 실제 제형의 성능과 개발 과정에서 줄어든 시행착오로 평가하는 편이 타당하다.

5. 생산으로 옮길 때에는 데이터와 시험의 범위가 달라진다

실험실에서 반복해 만든 시료의 성능을 확인한 뒤에는 생산 규모를 키우는 문제가 남는다. 배합량이 늘면 혼합과 열 전달 조건이 달라지고, 도포·건조 속도를 바꾸면 두께와 균일도에도 영향을 줄 수 있다. 원료의 로트나 설비가 달라질 때 품질이 얼마나 변하는지도 알아야 한다. 따라서 확대 생산에서는 평균 물성뿐 아니라 품질 편차, 합격품 비율, 재작업과 폐기량, 실제 생산속도를 함께 측정해야 한다.

이 때문에 데이터도 조성과 결과값만으로는 충분하지 않다. 예를 들어 같은 배합을 서로 다른 원료 로트와 혼합 조건으로 만들었다면, 그 이력을 결과와 함께 기록해야 차이의 원인을 추적할 수 있다. 전극 소재라면 분말 특성에 더해 슬러리의 고형분과 점도, 코팅·건조·압연 조건, 전극과 셀의 시험 결과를 이어 볼 수 있어야 한다. AI가 특정 소재의 효과를 배운 것인지, 우연히 함께 달라진 공정조건을 학습한 것인지 판단하는 데에도 이런 기록이 필요하다.

모델 평가에서도 새로 적용할 조건을 남겨 두고 시험하는 것이 중요하다. 같은 배합의 반복 측정값이 학습용과 평가용 자료에 섞여 있으면 좋은 점수를 얻더라도 새 배합이나 다른 로트에서의 성능을 충분히 설명하기 어렵다. 실패한 합성, 규격에 못 미친 배합, 측정 불가 결과도 조건과 함께 보존해야 모델이 적용할 수 있는 범위와 피해야 할 영역을 파악하기 쉽다(IRS글로벌, 2026).

6. 도입 효과는 개발 업무 전체의 시간과 비용으로 판단해야 한다

AI가 후보를 계산하는 시간이 줄어도 시료 제작이나 외부 시험을 기다리는 시간이 길면 전체 개발 기간은 크게 달라지지 않을 수 있다. 반대로 계산 시간의 차이가 작더라도 실패할 가능성이 큰 실험을 줄이면 재료비와 시험비를 아낄 수 있다. 따라서 도입 성과는 모델의 처리속도와 함께 목표 성능을 확인할 때까지의 실험 수, 총 소요기간, 재작업과 시험비를 같은 기준으로 비교해야 한다.

비교 대상과 비용의 범위는 착수할 때 정하는 편이 좋다. 난이도가 다른 제품이나 서로 다른 개발 단계를 비교하면 AI의 효과를 구분하기 어렵다. 같은 목표와 비슷한 자원을 사용하는 기존 방식에 비해 무엇이 달라졌는지 살펴보고, 데이터 정비와 장비 연동, 모델 운용·검증·재학습에 든 비용도 포함해야 한다. 연구자의 시간이 줄어든 효과는 실제 지출 감소인지, 같은 인력으로 더 많은 과제를 수행할 여력이 생긴 것인지 나누어 평가할 수 있다.

첫 과제는 범위를 좁히되 결과를 확인할 수 있는 업무가 적합하다. 특정 접착제의 작업성을 유지하면서 접착력을 높이는 배합 탐색, 고객이 요구한 사용감에 맞춘 대체 원료 조합, 전극의 제조조건과 품질 사이의 관계 예측처럼 출발 조건과 제품시험을 함께 정할 수 있는 문제이다. 후보 추천을 실제 제작·시험과 연결하고 그 결과를 다시 축적할 수 있어야 다음 과제에서도 같은 자산을 활용할 수 있다.

소재기업은 추천받은 후보를 실제로 제조·시험한 결과를 고객 제안에 담을 수 있다. 어떤 조건에서 성능을 확인했고 어느 생산 규모까지 대응할 수 있는지 제시하면, 고객도 도입에 필요한 추가 시험과 비용을 판단하기 쉽다. AI에 축적할 데이터와 제품을 개발·공급하는 과정을 함께 설계해야 하는 이유이다.

관련 보고서

2027 AI 기반 소재지능(Materials Intelligence) 기술·시장 동향과 산업별 적용사례 및 사업화 전략

피지컬AI·첨단 제조·에너지 전환·자원순환을 중심으로

2026년 10월 15일 발행 · A4 · 683쪽
ISBN 979-11-94532-30-9

보고서 상세 안내　전체 목차 보기

IRS글로벌은 이 보고서에서 물성예측과 역설계, 생성형 AI, 자율실험실 등 소재지능의 핵심기술과 글로벌 플랫폼·사업모델을 조사·분석하였다. 선도 프로젝트는 적용기술과 성과뿐 아니라 실제로 검증한 범위와 후속 과제를 함께 살펴보았다.

산업별로는 피지컬AI의 감지·구동·구조 소재, 이차전지와 반도체·전자소재, 고분자·배합제품, 에너지 전환 및 자원순환의 적용사례를 다루었다. 기업의 데이터 준비, 실증과 확대 생산, 고객승인, 성과평가와 사업화 전략도 정리하였다.