인공지능
오늘날 재료 발견을 혁신하는 5가지 AI 돌파구
인공지능(AI)은 계속해서 세계를 변화시키고 인류의 미래를 재구성하고 있습니다.
이 기술은 일반적으로 인간의 지능을 필요로 하는 작업을 수행함으로써 거의 모든 분야에 변화를 일으키고 있습니다. AI 시스템은 방대한 데이터를 활용해 패턴을 식별하고 결정을 내립니다.
이러한 방식으로 AI는 인간과 유사한 추론 및 인지 과정을 어느 정도 시뮬레이션할 수 있습니다.
세계무역기구의 World Trade Report에 따르면, AI의 생산성 향상 및 비용 절감 효과는 2040년까지 전 세계 GDP를 12-13% 끌어올릴 수 있습니다.
고소득 경제와의 디지털 인프라 격차를 50% 줄이고 AI를 보다 널리 채택한다면, 저소득 및 중소득 국가들은 소득이 최대 15% 증가할 수 있습니다.
국가가 생산성, 무역 및 경제적 입지를 강화하는 데 도움을 주는 것 외에도, AI는 산업 전반에 걸친 혁신을 촉진함으로써 사회에 기여할 수 있습니다. 현재 이 기술이 수행하고 있는 방법 중 하나는 재료 발견을 통한 것입니다.
재료 발견에서 AI의 약속
재료 발견은 언제나 혁신의 핵심이었습니다. 수세기 전, 구리와 주석의 혼합은 청동기를 낳았으며, 이는 더 강한 도구와 무기가 무역과 사회를 변혁시켰습니다.
그 뒤로 철기시대가 도래했고, 철의 숙달은 경제를 재편했습니다. 19세기로 빨리 가면, 강철이 널리 채택되었습니다. 철과 탄소의 합금인 강철은 철도, 고층 건물, 선박 및 기계의 기반이 되어 산업혁명과 세계적 확장을 촉진했습니다.
20세기 후반, 실리콘 시대는 반도체의 발견 및 정제로 세계를 변화시켰으며, 이는 현대 전자의 기반이 되었습니다. 우리는 현재 그래핀, 탄소 나노튜브, 양자 재료와 같은 첨단 재료의 시대에 살고 있으며, 이는 더 깨끗한 에너지, 가벼운 항공기, 더 빠른 컴퓨팅을 가능하게 합니다.
AI와 머신러닝(ML)의 등장은 재료 및 그에 따른 다양한 산업의 혁신에 크게 기여하고 있으며, 재료 발견, 설계 및 최적화 과정을 크게 가속화하고 있습니다.
이를 위해 AI는 특정 응용 요구에 맞는 후보군 방대한 데이터베이스를 스크리닝하는 알고리즘과 모델을 활용합니다. 여기서 Graph Neural Networks(GNNs)와 Recurrent Neural Networks(RNNs)와 같은 딥러닝 모델은 복잡한 데이터셋을 분석하는 데 핵심적입니다.
이 모델들은 데이터베이스에서 원하는 특성을 가진 기존 재료를 식별하고, 구성 및 구조를 기반으로 재료의 특성을 예측할 수도 있습니다.
AI의 도움으로 재료 과학 분야는 전통적인 시행착오 방식을 넘어설 수 있게 되었으며, 이는 시간과 비용이 많이 듭니다.
또한 AI 모델은 특정 요구사항에 맞춘 새로운 재료 구조를 생성할 수 있습니다. 자동화된 실험 플랫폼과 결합될 때, AI는 재료 발견에서 생산까지의 긴 과정을 가속화할 수 있습니다.
이러한 이점에도 불구하고, 특정 재료에 대한 품질 부족 및 방대한 데이터 부족이라는 도전 과제가 남아 있습니다. 새롭게 발견되고 설계된 재료를 실험실에서 성공적으로 합성하는 것 역시 큰 도전 과제입니다.
UCSB의 재료 과학자 Anthony Cheetham이 언급했듯1, DeepMind(Alphabet(구글)의 자회사)에서 개발한 AI 도구 GNoME가 발견한 220만 개의 가상 결정 목록을 검토한 후 “화합물을 발견하는 것은 한 가지 일이고, 새로운 기능성 재료를 발견하는 것은 전혀 다른 일”이라고 말했습니다.
많은 AI 예측 화합물이 실용적이지 않다는 점을 추가로 언급한 Cheetham은:
“우리는 꽤 많은 터무니없는 것들을 발견했습니다.”
이는 예측과 실제 구현 사이의 격차를 보여줍니다. 이 격차를 메우기 위해서는 AI와 인간 전문 지식 및 실험 과학의 결합이 필요합니다.
그럼에도 불구하고, AI가 재료 과학을 혁신할 수 있다는 약속은 무시될 수 없습니다. 에너지, 의료, 자동차, 항공우주 및 기타 중요한 응용 분야를 위한 재료 개발을 빠르게 진행할 수 있는 능력은 그 영향을 무시할 수 없을 정도로 큽니다.
그렇다면, 재료 과학에서 AI 적용의 가장 두드러진 사례들을 살펴보며 재료 발견과 혁신의 경계를 넓히는 잠재력을 확인해 보겠습니다.
스크롤하려면 스와이프 →
| 분야 | AI 돌파구 (섹션으로 이동) | 실제 결과 |
|---|---|---|
| 페로브스카이트 태양전지 | ML 기반 공정 및 역설계 |
공기 중 스케일링 셀; HTM 발견; ~26.2% 효율 등급 |
| 수소 전기촉매 | AI 설계 MPEA 조성 탐색 |
초저 과전압(HER/OER), 견고한 안정성 |
| 초경 재료 | ML + 진화적 탐색을 통한 B–C–N 상 |
40 GPa 이상 경도 안정 상 예측 |
| 고분자 유전체 | AI 지원 블렌드 발견 및 HT 스크리닝 |
200 °C에서 11배 에너지 밀도 (8.3 J cc⁻¹) |
| 고체 전해질 | AI/HPC를 통한 무기 후보 스크리닝 |
신규 전도체(예: N2116, Li8B10S19) |
1. 페로브스카이트 태양전지: AI 최적화 재료 및 공정
가장 유망한 지속 가능한 에너지 솔루션 중 하나는 태양광이며, 그 채택은 빠르게 증가하고 있습니다. 2024년 전 세계는 기록적인 약 600 GW의 태양광을 설치했으며, 이는 2023년 대비 33% 상승했습니다. 이 추세가 지속되면 10년 말에는 연간 약 1 TW에 이를 것으로 예상됩니다.
태양 에너지에 대한 수요 증가는 더 효율적이고 다재다능하며 비용 효율적인 태양전지 재료에 대한 필요성을 만들고 있습니다.
페로브스카이트는 독특한 결정 구조를 제공하는 재료 중 하나입니다. 자연적으로 존재하는 광물은 이제 합성적으로 재현될 수 있습니다. 유기와 무기 원소를 혼합함으로써 과학자들은 뛰어난 광 흡수 특성을 보이는 합성 페로브스카이트를 만들며, 이는 태양광 응용에 매우 적합합니다.
높은 효율성 외에도 이 재료는 유연성 및 조정 가능한 밴드갭의 장점을 제공하지만, 규모화와 안정성 문제는 여전히 남아 있어 새로운 조성의 탐색이 필요합니다.
따라서 연구자들은 10년 전부터 AI를 활용해 페로브스카이트 태양전지(PSC)의 성능을 재료 특성 및 에너지 변환 과정과 연관시키는 작업을 시작했습니다. 이후 이 기술을 이용해 재료 조성을 최적화하고, 설계 전략을 개발하며, 성능을 예측했습니다.
2019년, 중앙플로리다 대학교 연구진은 검토2 2000여 개의 동료 검토 논문을 분석해 페로브스카이트에 대한 200개 이상의 데이터 포인트를 수집했으며, 이를 AI 시스템에 입력해 최적의 페로브스카이트 태양전지(PSC) 레시피를 도출했습니다. 동시에 MIT 연구진은 모델을 개발3해 새로운 화합물의 합성 및 분석 속도를 10배 가속화했으며, 추가 연구가 필요한 두 개의 무연 페로브스카이트를 발견했습니다.
2022년, MIT와 스탠포드 대학 연구진은 AI의 도움을 받아4 고급 태양전지 제조를 확대했습니다.
이를 위해 수년간 개발된 시스템을 구축했으며, 이전 실험 데이터와 숙련된 작업자의 개인 관찰 정보를 통합했습니다. 이 통합은 결과를 보다 정확하게 만들었고, 18.5% 에너지 변환 효율을 가진 페로브스카이트 셀 제조로 이어졌습니다.
이는 대부분의 머신러닝 시스템이 원시 데이터를 주로 사용하고 인간 경험을 통합하지 않는 것과는 달리, 베이지안 최적화를 기반으로 한 확률 요인을 도입해 “우리가 이전에 볼 수 없었던 트렌드를 발견”하도록 했습니다.
AI의 도움으로 고급 페로브스카이트 태양전지 기술의 발견은 계속 진행 중이며, 효율을 높이기 위한 속도도 가속화되고 있습니다. 한 연구에서 효율을 26.2%까지 끌어올리며5 “엄청난 시간과 자원을 절약”했다고 보고했습니다.
2. AI가 발견한 수소 생산용 전기촉매
비재생 화석 연료를 대체할 유망한 후보는 수소이며, 이는 엄청난 양의 온실가스(GHG) 배출의 주요 원인입니다. 우주에서 가장 풍부한 원소인 수소는 청정하고 재생 가능한 에너지 원으로 부상하고 있습니다.
하지만 수소를 효율적으로 생산해 상업 규모 수요를 충족시키는 것은 큰 도전 과제입니다. 여기서 물 분해 전기분해는 유망한 경로이며, 전기촉매가 핵심 역할을 합니다. 따라서 저비용, 고활성, 안정적인 전기촉매 개발은 물 분해를 통한 수소 생산에 필수적입니다.
전기촉매는 물 분해에 필요한 에너지를 줄여 비용이 많이 드는 백금과 같은 귀금속 대신 니켈, 코발트, 그래핀, MXene 등 더 저렴한 대안을 활용해 수소 생산을 가속화합니다.
재료의 특성과 비용 외에도, 반응이 산성, 알칼리성 또는 고온에서 진행되는지에 따라 특정 촉매가 선택됩니다.
그러나 기존의 시행착오 방법을 사용해 기존 및 새로운 적합 재료를 탐색하는 것은 매우 시간 소모적이고 비용이 많이 듭니다. 그래서 AI가 활용6되어 전통적 접근법의 한계를 극복하고, 새로운 후보를 발견하며, 기존 제품을 개선하고 있습니다.
최근 연구에서는 AI가 DoE 데이터셋으로 훈련된 엔트로피 스크리닝을 통해7 16.2 백만 개의 화학 조성을 검토해 물 분해에 최적의 조성인 Fe12Co28Ni33Mo17Pd5Pt5를 찾아냈으며, 이 합금은 HER와 OER 모두에서 초저 과전압을 보이며 견고한 안정성을 가지고 있습니다.
몇 년 전, 구글 AI 연구소 DeepMind는 380,000개의 새로운 화합물을 Materials Project에 기여했으며, 이는 많은 촉매 탐색 및 자동 실험의 기반이 되고 있습니다.
에너지부 버클리 연구소에서 설립한 오픈 액세스 데이터베이스는 연구자들이 새로운 재료의 유용한 특성을 실험적으로 확인하는 데 활용되고 있으며, 이는 탄소 포집, 광촉매, 열전소자 및 투명 전도체 등 다양한 분야에 잠재력을 보여줍니다.
데이터베이스에는 재료의 원자 배열과 안정성 정보가 포함되어 있습니다. GNoME는 프로젝트에서 개발된 데이터와 워크플로우를 사용해 훈련되었으며, 이후 능동 학습을 통해 개선되었습니다.
Google DeepMind의 GNoME 계산과 Materials Project 데이터를 활용해 연구진은 베르클리 연구소의 A-Lab을 테스트했으며, 여기서 AI가 로봇을 안내해 새로운 재료를 제작했습니다. A-Lab은 41개의 새로운 화합물을 생산8했습니다.
3. 초경 재료: ML 기반 다이아몬드 초월 발견
군사, 항공우주 및 에너지 생산과 같은 산업은 거의 압축되지 않는 고경 재료를 필요로 합니다. 이 재료들의 경도는 비커스 척도에서 40 GPa를 초과하며, 높은 결합 공유성 및 전자 밀도를 가지고 있습니다.
다이아몬드는 현재까지 알려진 가장 단단한 재료로, 경도는 70‑150 GPa 범위에 이릅니다. 이는 다이아몬드 표면에 자국을 남기려면 70‑150 GPa 이상의 압력이 필요함을 의미합니다. 따라서 다이아몬드는 절삭 공구, 연마재, 마모 방지 코팅 및 고압 실험에 사용됩니다.
이러한 귀중한 광물은 탄소 원자가 다이아몬드 입방체 구조로 배열된 고체 형태이며, 과학자들은 새로운 적합 재료를 찾기 위해 이를 활용해 왔습니다. 그러나 AI가 이를 바꾸었습니다.
수년에 걸쳐 여러 연구자들이 새로운 초경 상을 발견했으며9, 그 중 한 연구는 BC10N, B4C5N3, B2C3N10이 40 GPa 이상 경도를 가진 동적으로 안정한 상을 나타낸다고 보고했습니다.
2020년, 휴스턴 대학교와 맨해튼 컬리지 연구진은 ML 모델을 활용해11 새로운 재료의 경도를 정확히 예측했으며, 이를 통해 적절한 화합물을 보다 신속히 찾을 수 있게 되었습니다.
높은 압력이 필요해 표면에 자국을 남기기 어려운 특성 때문에 이러한 재료는 희귀하며, “새로운 재료를 식별하는 것이 어렵다”고 말했습니다. 이는 “합성 다이아몬드와 같은 재료는 여전히 제작이 어렵고 비용이 많이 든다”고 말한 휴스턴 대학 화학 부교수 Jakoah Brgoch의 의견과 일치합니다.
여기서 복잡한 요소는 하중 의존성으로, 재료의 경도가 가해지는 압력에 따라 달라질 수 있다는 점입니다. 이는 실험적 테스트를 복잡하게 만들며, 계산 모델링만으로는 거의 불가능합니다. 그래서 연구진은 화학 조성만을 기반으로 하중 의존성 비커스 경도를 예측하는 모델을 개발했습니다.
알고리즘은 560개의 서로 다른 화합물을 포함하는 데이터베이스를 활용했으며, 수백 편의 학술 논문을 검토해야 했습니다. “모든 좋은 머신러닝 프로젝트는 좋은 데이터셋에서 시작한다”고 Brgoch는 말했습니다. “진정한 성공은 이 데이터셋 개발에 크게 달려 있다.”
그 결과, 10개 이상의 새로운 안정적인 보로카바이드 상을 발견했으며, 모델 정확도가 97%에 달해 실험실 성공 가능성에 대한 기대가 높아졌습니다.
AI는 한계가 없지는 않지만, Brgoch는 “머신러닝을 사용하는 목적은 ‘다음 최고의 재료’를 제시하는 것이 아니라 실험적 탐색을 안내하는 것이다.”라고 강조했습니다. 기술이 하는 일은 “어디를 찾아야 할지 알려준다”는 것입니다.
4. 고분자 유전체: AI 가속 에너지 저장 재료
현대 에너지 저장의 필수 요소는 유전체이며, 이는 공기, 유리, 플라스틱과 같은 비전도성 재료를 말합니다.
유전체 재료의 선택은 축전기의 에너지 밀도를 결정하며, 고분자 유전체는 저비용, 기계적 유연성, 신뢰성, 빠른 방전 속도 및 가공 용이성 때문에 에너지 저장에 널리 활용됩니다. 하지만 다시 말해, 낮은 에너지 밀도가 문제입니다.
이에 연구자들은 전력 시스템, 전자기기 및 전기차(EV) 등 다양한 응용 분야에서 에너지 저장 용량을 높이기 위해 새로운 고분자 유전체를 지속적으로 개발하고 있습니다.
AI는 고분자 재료 분야에서 놀라운 진전을 이루었습니다. 예를 들어, 몇 달 전 MIT와 듀크 대학 연구진은 스트레스 반응형 교차결합제 분자를 도입해12 보다 내구성 있는 고분자를 만들었으며, 이는 AI에 의해 식별되었습니다. MIT 연구진은 또한 하루에 최대 700개의 새로운 고분자 블렌드를 찾고, 혼합하고, 테스트하는 시스템을 구축13했으며, 이는 배터리 전해질, 단백질 안정화, 약물 전달 재료 등 다양한 응용에 활용됩니다.
새로운 고분자 블렌드를 설계하는 문제는 시작할 수 있는 거의 무한한 고분자 후보군이 있다는 점이며, 몇 개를 선택한 뒤에는 각 고분자의 조성 및 블렌드 내 농도를 결정해야 합니다.
“이처럼 방대한 설계 공간은 알고리즘 솔루션과 고처리량 워크플로우를 필요로 합니다. 왜냐하면 모든 조합을 무차별적으로 테스트할 수 없기 때문입니다.”
– 논문 공동 저자 Connor Coley
그들의 AI 시스템은 최적의 블렌드를 제공했으며, 최상의 블렌드는 개별 성분보다 18% 더 높은 성능을 보였습니다.
AI가 새로운 고분자 옵션과 블렌드를 제공하는 효율성을 고려하면, 이 기술을 적용해14 더 나은 고분자 유전체를 식별하는 것이 타당합니다. 고분자 복합체15도 마찬가지입니다.
한 연구팀은 이를 실천에 옮겨 상업용 대안보다 11배 높은 에너지 밀도를 가진 유전체를 고온에서 발견16했습니다.
혁신적인 알고리즘은 실제로 고분자를 만들기 전에 특성 및 조성을 예측하도록 개발되었습니다. 이를 위해 연구진은 먼저 구체적인 요구사항을 정의하고, 기존 물성 데이터에 ML 모델을 학습시켜 원하는 결과를 예측했습니다.
AI 외에도, 연구진은 기존 고분자 화학 및 분자 공학을 활용해 폴리노르보르네와 폴리이미드 계열에서 다양한 유전체를 발견했으며, 많은 유전체가 높은 에너지 밀도와 넓은 온도 범위에서 높은 열 안정성을 보였습니다.
특히 한 유전체는 200 °C에서 8.3 J cc⁻¹의 에너지 밀도를 기록했으며, 이는 상용 고분자 유전체보다 훨씬 높은 수치였습니다.
“AI가 재료 과학에 처음 도입된 것은 백악관의 Materials Genome Initiative가 시작된 지 10년 전이었으며, 당시 연구는 주로 호기심 중심이었습니다. 최근 몇 년 사이에 AI 기반 가속 고분자 발견의 실질적인 성공 사례가 나타나면서 산업 재료 R&D 풍경에 큰 변화를 일으키고 있습니다.”라고 조지아 공대 교수이자 공동 저자 Rampi Ramprasad가 말했습니다.
5. 고체 전해질: AI가 만든 더 안전하고 고밀도 배터리
휴대용 기기와 전기차(EV)의 보편화 및 재생 에너지 저장 솔루션에 대한 수요 증가로 전 세계 배터리 시장은 빠르게 성장하고 있습니다17. 배터리가 현대 사회에서 차지하는 중요한 역할 때문에 과학자들은 보다 에너지 효율적이고 안전한 배터리 기술을 지속적으로 개발하고 있습니다.
현재 가장 널리 사용되는 리튬이온 배터리는 수명이 제한적이며 안전 위험이 존재합니다. 이러한 문제는 고체 전해질 배터리(SSB)를 통해 해결하고자 합니다.
이 배터리는 액체 전해질을 고체 전해질로 교체해 고온에서의 발화 위험을 없애고, 에너지 밀도를 높이며 내구성을 향상시켜 보다 안전하고 강력한 배터리를 구현합니다.
하지만 고체 전해질 배터리는 낮은 이온 전도도, 전극 인터페이스 호환성, 기계·화학적 안정성, 비용 효율적인 제조 등 자체적인 도전에 직면해 있습니다. 따라서 연구자들은 AI를 활용해 이러한 문제를 극복할 수 있는 재료를 탐색하고 있습니다.
오늘 다룬 다른 분야와 달리, 배터리는 AI 적용이 가장 활발한 분야 중 하나이며, 주요 자동차 제조업체와 스타트업이 고체 전해질 배터리 R&D에 막대한 투자를 하고 있습니다. 안전 위험 외에도, 이 분야는 방대한 데이터베이스를 축적했으며, 이는 ML 모델 훈련에 충분히 풍부합니다.
심지어 정부 차원에서도 SSB를 전략적 우선순위에 두어 국내 공급망을 확보하고 국가 에너지·기후 목표를 달성하려 하고 있습니다.
따라서 AI가 연구자와 기업이 새로운 고체 전해질을 발견하도록 돕는19 사례가 다수 존재합니다.
지난 해, 마이크로소프트 연구원들은 AI와 슈퍼컴퓨터를 결합해 3,200만 개의 잠재 무기 물질을 분석해 며칠 만에 18개의 유망 후보20를 찾아냈습니다. 새로운 물질인 N2116은 리튬 사용량을 70% 줄일 수 있는 고체 전해질이며, 전구를 구동하는 데 테스트되었습니다.
한편 DeepMind의 AI 도구 GNoME는 528개의 유망한 리튬이온 전도체를 식별했으며, 이 중 일부는 배터리 효율 향상에 기여할 수 있습니다.21
그 외에도 스탠포드 연구진이 개발한 LBS22 (Li8B10S19)는 “지금까지 실험적으로 확인된 가장 안정적인 황계 리튬이온 전해질”이라고 평가되었습니다. 연구진은 약 10년 전 AI를 활용해23 액체 전해질을 대체할 고체 전해질을 찾아내는 작업을 시작했습니다.
결론
이 사례들은 AI가 새로운 재료를 발견하는 속도를 높일 수 있음을 보여줍니다. 현재 과제는 컴퓨터 예측을 실제 결과로 전환하는 것으로, 이는 AI와 숙련된 연구자 및 신뢰할 수 있는 데이터의 결합을 의미합니다.
스크롤하려면 스와이프 →
| 돌파구 | 주요 이점 |
|---|---|
| 페로브스카이트 태양전지 | 높은 효율, 스케일링 가능한 셀 |
| 수소 촉매 | 저비용, 안정적인 물 분해 |
| 초경 재료 | 40 GPa 초과 새로운 초경 상 |
| 고분자 유전체 | 고온에서 11배 에너지 밀도 |
| 고체 전해질 | 보다 안전하고 고밀도 배터리 |
우리가 보는 것은 아직 초기 단계입니다. 이러한 발견은 더 깨끗한 에너지, 더 안전한 기술, 더 강인한 재료, 그리고 지구를 고갈시키지 않는 산업으로 나아가고 있습니다. AI는 재료 과학을 변화시키고 있으며, 이는 앞으로의 방향에 큰 의미를 가집니다.
인공지능 투자에 대한 모든 정보를 보려면 여기를 클릭하세요.
References
1. Peplow, M. (2025). AI가 수백만 개의 새로운 재료를 꿈꾸고 있습니다. 실제로 괜찮은가요? Nature, 646, 22–25. 2025년 10월 1일 출판. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (2019, 12월 16일). 인공지능이 스프레이형 태양전지를 만들 수 있도록 도울 수 있다. ScienceDaily. 2019년 12월 16일 출판 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). 단일 소스 증기 증착을 통한 고효율 페로브스카이트 태양전지. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). 지식 제약을 갖는 머신러닝을 통한 개방형 페로브스카이트 태양전지 제조 공정 최적화. Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez-Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). 역설계 워크플로우가 페로브스카이트 태양전지를 위한 전공재료를 발견합니다. Science, 386(6727), 1256-1264. 2024년 12월 13일 출판. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). 잠재력 해제: 전기촉매 설계를 위한 머신러닝 응용. Chemical Society Reviews, 53, 11390–11461. 2024년 10월 9일 출판. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). 물 분해를 위한 다원소 합금 설계에 AI 활용. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. 2025년 7월 15일 출판. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). 새로운 재료의 가속 합성을 위한 자율 실험실. Nature, 624, 86–91. 2023년 11월 29일 출판. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). 머신러닝 기반 진화 구조 탐색을 통한 초경 재료 예측. npj Computational Materials, 5, 89. 2019년 9월 3일 출판. https://doi.org/10.41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). 머신러닝 및 진화를 통한 B‑C‑N 초경 화합물 예측. npj Computational Materials, 7, 114. 2021년 7월 21일 출판. https://doi.org/10.41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). 앙상블 학습을 통한 차세대 초경 재료 탐색. Advanced Materials, 33(5), e2005112. 2020년 12월 4일 출판. https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, 8월 5일). AI가 화학자들이 더 강한 플라스틱을 개발하도록 돕다. MIT News. 2025년 8월 5일 검색, https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (2025, 7월 28일). 새 시스템이 고분자 재료 탐색을 크게 가속화하다. MIT News. 2025년 8월 5일 검색, https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, D. Q. (2020). 고분자 기반 유전체의 유전 강도 향상을 위한 탐색: 고분자 나노복합체에 대한 집중 리뷰. Journal of Applied Polymer Science, 137, e49379. 2020년 4월 5일 출판. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). 인공신경망을 이용한 고분자 복합체의 고유전 설계. Applied Sciences, 12, 12592. 2022년 12월 25일 출판. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). AI 지원 고온 유전체 발견으로 에너지 저장을 혁신. Nature Communications, 15(1), 6107. 2024년 7월 19일 출판. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). 배터리 산업이 새로운 단계에 진입했다. IEA Commentary. 2025년 3월 5일 출판. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). 머신러닝을 통한 고체 전해질 개발 가속화. Next Energy, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). 인공지능이 고체 배터리의 재료 스크리닝 및 성능 평가를 지원한다. Nano-Micro Letters, 17, 287. 2025년 6월 6일 출판. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMind의 Gnome이 AI를 재료 과학에 도입하고 있다. Time Magazine. 2023년 6월 6일 출판. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). AI와 HPC가 과학적 발견을 가속화하는 방법. Microsoft Source – Innovation Features. 2024년 10월 29일 출판. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
22. Ma, Y., Wan, J., Xu, X., … (2023). 빠르고 안정적인 리튬 티오보레이트 고체 전해질, Li6+2x[B10S18]Sx (x ≈ 1)의 실험적 발견. ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560
23. Stanford University. (2016). 폭발하지 않는 배터리: 스탠포드 과학자들이 AI를 활용해 더 안전한 리튬이온 배터리를 만들다. Stanford News. 2016년 12월 12일 출판. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries
