게시물 검색

신소재/부품 소재 AI는 새 분자의 어느 부분에서 틀리는가

  • IRS글로벌 (irscontent)
  • 2026-11-17 08:35:38
  • hit0
  • 90.96.185.253

2026년 두 연구는 소재 AI의 정확도가 분자의 크기뿐 아니라 원자 주변의 결합 환경에 좌우됨을 보여주었다. 익숙한 분자의 시험 점수와 새 후보의 예측 범위를 연결해 살펴보았다.

새 소재를 찾는 AI는 아직 만들지 않은 후보를 평가하는 데 쓰인다. 그런데 학습한 분자에서 정확했던 모델이 분자의 일부를 바꾼 후보에서도 잘 작동할까. 2026년 공개된 두 연구는 ‘새로운 분자’라는 말부터 구체적으로 나눠야 한다고 보여준다. 탄소 사슬이 길어지는 변화와 새로운 결합 부위가 생기는 변화는 모델에 서로 다른 문제이기 때문이다.


1. 분자의 이름보다 원자 주변을 배우는 모델

머신러닝 원자간 포텐셜(MLIP)은 원자의 종류와 위치를 입력받아 에너지와 원자에 작용하는 힘을 예측한다. 이렇게 계산한 힘으로 원자의 움직임을 따라가면 분자의 거동을 모의할 수 있다. 비싼 참조 계산을 매번 반복하는 부담을 줄이려는 방식이다. 다만 새 분자에 적용하려면, 그 분자에서 나타날 원자 주변의 결합과 배치가 학습 자료에 충분히 담겨 있어야 한다(Hooven 외, 2026).

예컨대 탄소 사슬을 늘린 분자에는 익숙한 주변 구조가 반복될 수 있다. 반면 이미 배운 원자와 결합으로 이뤄졌더라도, 그 부분들이 다른 방식으로 모이면 낯선 환경이 된다. 따라서 원자 종류를 모두 배웠다는 사실만으로 새 조합의 예측 정확도를 설명하기는 어렵다.


2. 익숙한 부분을 합쳤을 때 커진 오차

Nourollah 연구진은 2026년 10월 수정한 공개논문에서 알코올·알데히드 등을 학습하고 카복실산을 시험하는 과제를 제시했다. 알코올의 하이드록실기와 알데히드의 카보닐기에서 본 부분이 카복실산에서는 한 탄소 주변에 함께 모인다. 구성 부분은 익숙해도 그 결합 환경은 학습에서 제외한 것이다. 이는 합성 반응의 경로를 예측하는 시험이 아니라, 새 조합의 분자에서 힘과 에너지를 계산하는 시험이다(Nourollah 외, 2026).

과제 자료로 처음부터 학습한 MACE 모델의 힘 평균절대오차는 익숙한 분자의 새로운 배치에서 0.0047 eV/Å, 학습하지 않은 카복실산에서는 0.0889 eV/Å였다. 힘의 단위인 eV/Å로 비교한 오차가 약 19배로 커진 것이다. 사전학습 모델을 추가 학습한 경우에도 이 과제의 일반화 어려움은 남았다. 이 결과는 arXiv 공개본의 계산 실험이며, 실제 공정 성능을 측정한 값은 아니다(Nourollah 외, 2026; 비율은 집필자 계산).

대표 시험 분자인 헥산산을 원자별로 살펴보자, 여러 모델의 오차는 새 카복실기 부근에 집중됐고 탄소 사슬은 상대적으로 잘 맞았다. 익숙한 사슬과 새롭게 조합된 부분의 차이가 원자별 예측 오차에 드러났다(Nourollah 외, 2026).


3. 사슬을 늘릴 때에는 무엇이 달랐나

Hooven 연구진은 탄소 수 1~8개의 직선형 알케인으로 작은 분자에서 배운 모델을 다른 크기에 적용하는 문제를 조사했다. 2025년 초기 공개본 이후 연구가 발전해, 2026년 6월 『Journal of Chemical Theory and Computation』에 정식 온라인 출판됐다. 연구는 학습 분자와 시험 분자의 원자 주변 환경이 충분히 비슷해질 때 예측을 다른 크기에 적용할 수 있음을 보여주었다(Hooven 외, 2026).

이 결과를 이해하는 핵심은 ‘큰 분자에는 작은 분자의 경험이 얼마나 들어 있는가’다. 사슬이 길어져도 반복되는 주변 환경을 작은 분자가 대표한다면 배운 내용을 활용할 여지가 생긴다. 연구진은 모델이 어떤 이웃 원자들을 함께 계산하도록 묶는지도 분자 사이 상호작용의 학습에 영향을 준다고 밝혔다. 학습 분자를 늘리는 일과 모델에 보여줄 주변 범위를 정하는 일이 함께 필요한 이유다(Hooven 외, 2026).


4. 새 후보의 변화에 맞춘 시험이 필요하다

두 연구가 가리키는 산업적 시사점은 평가 대상을 실제 개발 변화에 맞추는 것이다. 고분자의 사슬을 늘리는 과제라면 사슬 길이를 달리한 후보를, 작용기를 바꾸는 과제라면 바뀐 조합을 가진 후보를 따로 시험할 수 있다. 같은 분자의 여러 배치만 무작위로 나눠 얻은 점수는 이 질문에 충분한 답을 주기 어렵다.

기업이 예측 모델을 도입할 때에도 전체 평균오차와 함께 새 후보의 어느 원자 주변에서 오차가 커지는지 살펴볼 수 있다. 이 결과는 다음 참조 계산에 넣을 분자와 배치를 고르는 근거가 된다. 소재 AI의 활용 범위를 넓히는 일은 모델의 크기와 함께 학습 자료가 개발할 후보의 어떤 결합 환경을 대표하는지 구체화하는 과정이다.


같은 모델에서도 평가 분자에 따라 달라진 힘 오차

시험 대상 힘 평균절대오차
학습한 분자의 새로운 배치(ID) 0.0047 eV/Å
학습에서 제외한 카복실산(OOD) 0.0889 eV/Å
OOD/ID 비율 약 18.9배

출처: Nourollah 외(2026), arXiv:2605.08988v2, Appendix A.8의 Fragment Fusion / MACE 행. 두 오차는 원자별 힘의 좌표 성분에 대한 평균절대오차이며, 비율은 0.0889÷0.0047로 계산하였다. 모델·과제·단위를 이 조건으로 한정하였다.


관련 보고서

2027 AI 기반 소재지능 기술ㆍ시장 동향과 산업별 적용사례 및 사업화 전략 표지

2027 AI 기반 소재지능 기술ㆍ시장 동향과 산업별 적용사례 및 사업화 전략

피지컬AIㆍ첨단 제조ㆍ에너지 전환ㆍ자원순환을 중심으로

IRS글로벌 | 2026-10-15 발행 | 683쪽 A4
ISBN 979-11-94532-30-9

이 보고서는 소재 데이터와 계산재료과학, 머신러닝 원자간 포텐셜, 분포 밖 예측과 불확실성, 산업 적용 및 사업화 과제를 분석하였다.

도서 안내 · 목차 보기

표지 이미지 제공 IRS글로벌


참고자료

Nourollah 외 (2026). Benchmarking Compositional Generalisation for Machine Learning Interatomic Potentials (arXiv v2)
공개·발행일 2026-10-22

Hooven 외 (2026). How Long Is Long Enough? Extrapolation of Machine-Learning Interatomic Potentials for Oligomeric and Polymeric Systems
공개·발행일 2026-06-19

게시글 공유 URL복사
게시물 검색
List of articles
번호 분류 제목 작성자 작성일 조회수
74 신소재/부품 소재 AI는 새 분자의 어느 부분에서 틀리는가 new photo IRS글로벌 2026-11-17 hit0
73 신소재/부품 AI 소재개발, 실험실의 성과를 제품으로 바꾸는 조건 photo IRS글로벌 2026-11-13 hit91
72 신소재/부품 하이니켈 양극재 시장 구조 및 공급망 동향 photo 관리자 2026-08-11 hit861
71 신소재/부품 자동차 산업에서 친환경 소재 도입 사례 photo 관리자 2025-06-05 hit4916
70 신소재/부품 반도체 재료 : 차세대 제품 개발 가속화 photo 관리자 2025-04-08 hit2137
69 신소재/부품 친환경 반도체: 지속가능한 신소재 개발로 구현하는 그린 테크놀로지 photo 관리자 2025-04-08 hit3626
68 신소재/부품 전환기를 맞은 자동차 산업의 친환경 소재 이용 전망 photo 관리자 2025-04-08 hit3024
67 신소재/부품 주목받는 "리튬인산철(LFP) 배터리" photo 관리자 2024-10-16 hit7370
66 신소재/부품 중국이 압도적인 점유율을 확보하고 있는 중요 광물을 둘러싼 움직임 photo 관리자 2024-07-27 hit2546