UNH 연구진, AI 활용해 25종의 새로운 자성 물질 발견

재료 과학 및 인공지능(Artificial Intelligence, AI) 분야에서 거둔 중요한 성과로, 뉴햄프셔 대학교(University of New Hampshire, UNH) 연구진은 AI 기반 접근 방식을 성공적으로 배치하여 이전까지 알려지지 않았던 25종의 자성 물질을 식별해냈습니다. Nature Communications 저널에 자세히 기술된 이 돌파구는 과학적 발견을 가속화하는 기계 학습(Machine Learning)의 위력을 보여줄 뿐만 아니라, 중요한 희토류 원소에 대한 전 세계적 의존도를 낮추는 유망한 경로를 제공합니다.

박사 과정 학생인 수만 이타니(Suman Itani)와 물리학 교수 지아둥 장(Jiadong Zang)이 주도한 이번 연구는 수십 년간의 기존 과학 문헌을 분석하기 위해 고급 AI 알고리즘을 활용했습니다. 그 결과물은 67,000개 이상의 자성 물질을 포함하는 포괄적인 디지털 저장소인 **Northeast Materials Database**의 구축입니다. 이 중에는 고온에서도 자성을 유지할 수 있는 약 24개의 새로 확인된 화합물이 포함되어 있으며, 이는 전기차(Electric Vehicles, EVs), 풍력 터빈 및 기타 친환경 기술에 사용되기 위한 핵심 요구 사항입니다.

발견의 가속화: AI 방법론

새로운 물질을 발견하는 전통적인 과정은 종종 과학자들이 수백만 개의 잠재적인 화학 조합을 물리적으로 테스트해야 하는 느리고 노동 집약적인 노력이었습니다. UNH 팀은 방대한 과학 논문 아카이브를 "읽고" 해석하도록 인공지능(Artificial Intelligence) 시스템을 교육함으로써 이러한 병목 현상을 우회했습니다.

이 참신한 접근 방식은 자연어 처리(Natural Language Processing, NLP)와 물리적 모델링을 결합한 하이브리드 워크플로우를 포함했습니다. AI 시스템은 다음과 같이 설계되었습니다.

1. 스캔 및 추출(Scan and Extract): 수천 편의 학술 논문을 빠르게 분석하여 주요 실험 데이터와 화학식을 추출합니다.
2. 검증 및 모델링(Validate and Model): 추출된 데이터를 자성 특성, 특히 열 안정성을 예측하는 컴퓨터 모델에 입력합니다.
3. 데이터베이스 컴파일(Database Compilation): 전 세계 과학계를 위해 검색 가능한 오픈 액세스 형식으로 결과를 정리합니다.

지아둥 장 교수는 "우리는 재료 과학에서 가장 어려운 과제 중 하나인 영구 자석의 지속 가능한 대안을 찾는 문제에 도전하고 있습니다"라고 밝혔습니다. 그는 이 새로운 실험 데이터베이스와 진화하는 AI 기술의 결합이 희토류가 없는 자석이라는 목표를 달성 가능하게 만들 것이라고 낙관했습니다.

희토류 대안의 전략적 중요성

이번 발견은 기술 및 제조 분야에 있어 결정적인 시기에 이루어졌습니다. 전기차 모터와 재생 에너지 시스템의 발전기에 필수적인 현대식 고성능 자석은 현재 네오디뮴과 디스프로슘 같은 희토류 원소(Rare Earth Elements)에 크게 의존하고 있습니다. 이러한 원소는 비쌀 뿐만 아니라 소수의 글로벌 공급업체가 지배하는 불안정한 공급망의 영향을 받습니다.

이러한 희귀 자원 없이도 효과적으로 기능할 수 있는 재료를 식별함으로써, UNH 팀의 연구는 미국 제조 기반의 주요 취약점을 직접적으로 해결합니다.

새로운 발견의 주요 이점:

• 비용 절감: 희토류 자석의 대안은 전기차 및 클린 에너지 인프라의 생산 비용을 크게 낮출 수 있습니다.
• 공급망 보안: 국내에서 조달 가능하거나 더 풍부한 대안을 개발하면 수입 자재에 대한 의존도가 줄어듭니다.
• 지속 가능성(Sustainability): 희토류 원소 채굴을 최소화하면 추출과 관련된 환경적 영향을 완화할 수 있습니다.

심층 분석: Northeast Materials Database

이 연구의 초석은 현재 전 세계 연구자들에게 필수적인 도구로 활용되고 있는 Northeast Materials Database입니다. 이론적 계산에만 의존할 수 있는 이전 데이터세트와 달리, 이 데이터베이스는 역사적 문헌에서 추출된 실험 데이터를 근거로 하여 이론과 입증된 현실 사이의 간극을 메웁니다.

다음 표는 전통적인 발견 방식과 비교한 새로운 데이터베이스의 범위와 영향을 개략적으로 설명합니다.

비교: 전통적인 발견 방식 vs AI 기반 데이터베이스

이 데이터베이스에는 이전에는 간과되었으나 고온에서의 안정성 가능성이 높은 25개의 특정 화합물이 포함되어 있습니다. 제1저자인 수만 이타니는 이러한 지속 가능한 재료의 발견을 가속화하는 것이 경제를 강화하고 친환경 기술을 발전시키는 열쇠라고 강조했습니다.

과학 분야 AI의 광범위한 영향

자성 분야의 즉각적인 적용을 넘어, UNH 팀이 개발한 기술은 과학적 지식이 디지털화되고 활용되는 방식에 광범위한 영향을 미칩니다. 사용된 AI 모델은 텍스트를 처리할 수 있을 뿐만 아니라 이미지를 해석하여 리치 텍스트 형식으로 변환할 수도 있었습니다.

이러한 능력은 AI가 방대한 도서관 소장 자료를 현대화하여, 정적이고 검색 불가능한 과학 기록을 동적이고 실행 가능한 데이터로 변환하는 미래를 시사합니다. 물리학 및 화학 박사 후 연구원인 공동 저자 이보 장(Yibo Zhang)은 이 프로젝트의 배후에 있는 대규모 언어 모델이 고등 교육 및 디지털 아카이빙 분야에서 널리 사용될 수 있다고 언급했습니다.

결론

뉴햄프셔 대학교(University of New Hampshire) 팀의 연구는 우리가 소재 혁신에 접근하는 방식의 패러다임 전환을 나타냅니다. 수십 년간의 과학 논문에 묻혀 있던 "잊혀진" 지식에 AI를 활용함으로써, 연구자들은 현대 에너지 과제에 대한 잠재적 해결책의 보물창고를 열었습니다. Northeast Materials Database가 성장하고 AI 모델이 더욱 정교해짐에 따라, 지속 가능하고 희토류가 없는 기술을 배치하는 데 걸리는 시간은 크게 단축될 것으로 보이며, 이는 인공지능과 환경 지속 가능성 모두의 승리를 의미합니다.