인공지능 구동 연구소 내부: 새로운 재료 발견의 시대 2026년 8월

많은 산업과 마찬가지로 재료 과학도 인공 지능(AI)에 의해 지원되고 있습니다.

여기서 기계 학습(ML) 알고리즘은大量의 데이터セット을 분석하고 패턴을 식별하여 최단 시간에 유망한 재료 후보를 제안합니다.試誤 방법보다 훨씬 적은 자원을 소비하면서,

전통적인 수동적이고 인간 중심적인 작업이 보완되었습니다. 이는 계산 시스템의 등장으로 복잡한 계산이 가능해졌으며,現在는 인공 지능, 시뮬레이션, 실험 자동화에 의해 구동되는 자동화된 병렬 및 반복 프로세스에 의해 완전히 혁신되고 있습니다.

인공 지능 기술의 성숙과 고성능 컴퓨팅, 하이브리드 클라우드 기술의 결합은 재료 과학을 새로운 패러다임으로 들어가게 도와주고 있습니다. 이는 새로운 재료의 가속된 발견, 재료 특성의 예측 모델링, 자율적인 실험에 의해 특징지어집니다.

이러한 패러다임의 전환은 연구자들이試誤적인 접근 방식에서 설계로 전환할 수 있도록 해주며, 개발 주기를 크게 줄이고, 에너지, 전자, 의료, 지속 가능성 응용 분야에서 고급 재료를 위한 길을 열어줍니다.최근, 노스 캐롤라이나 주립 대학교의 연구자들은 자율 주행 연구실을 만들어서 연구실 자동화를 위한 새로운 도약을 이루고 과학자들이 재료를 발견하는 것을 더욱 가속화시키는 데 주요한 걸음을 내디뎠다.

자동화된 연구실은 전통적인 수동 방법보다 10배 더 많은 데이터를 수집한다. 이러한 움직임으로, 연구자들은 실시간으로 동적인 화학 실험을 수행할 수 있으며, 시간과 자원을 절약하면서 더 빠른 혁신을 가능하게 한다.

새로운 연구실의 발견이 더 이상 수년이 걸리지 않을 것이다. 오히려, 우리는 발명이 며칠 만에 일어나는 미래를 예상할 수 있다.

인공지능 기반 연구실: 실시간 학습을 통한 실시간 발견

전 세계적인 깨끗한 에너지, 인간 복지, 지속 가능성의 도전을 극복하기 위해서는중요한것은 새로운기능성 물질의신속한발견을하는것입니다.

결과적으로, 많은진전이이루어졌다. 물질 가속 플랫폼과 자율 주행 연구소에서

그러나, 이러한 플랫폼과 연구소의 복잡한 매개 변수 공간을 탐색하는 능력은데이터 처리 속도가느려서 느린

따라서, 노스 캐롤라이나 주립 대학교 연구진은 “자율 주행 유체 연구소 내에서 무기 물질 합성을 위한 데이터 강화 전략으로 동적 흐름 실험을 도입하였으며, 연속적인 매핑을 통해 일시적인 반응 조건을 정상 상태의 등가물로 변환하였다”고 발표하였다.발행된 네이처 케미컬 엔지니어링¹에서, 이 연구는 실시간 실험을 사용하여不断적으로 데이터를 수집하는 최첨단 자율 주행 연구소에 대한 세부 정보를 제공하며, 따라서 재료 발견을 더 빠르고 효율적으로 하면서 비용과 환경적 영향을 줄입니다.

이 연구는 국립과학재단과 노스 캐롤라이나 대학교 연구 기회 이니셔티브 프로그램의 지원을 받았습니다.자율 주행 연구소(self-driving laboratories, SDLs)는 무엇을 의미할까? 이것은 기계 학습(Machine Learning, ML)과 자동화 및 화학 및 재료 과학을 결합하여 재료를 더 빠르게 찾는 로봇 플랫폼이다. 이러한 ML 지원 모듈식 실험 플랫폼에서, 선택된 일련의 실험은 ML 알고리즘에 의해 프로그램된 목표를 달성하기 위해 반복적으로 수행된다.

“과학자들이 깨끗한 에너지, 새로운 전자 제품 또는 지속 가능한 화학 물질을 위한 혁신적인 재료를 몇 년이 아닌 며칠 만에 발견할 수 있고, 현재의 상태보다 훨씬 적은 물질을 사용하여 훨씬 적은 폐기를 생성할 수 있다면?”

– 논문의 공동 저자, 밀라드 아볼하사니, 노스 캐롤라이나 주립 대학교 화학 및 생물 분자 공학 교수

그는 추가로 말했다:

“이 연구는 그 미래를 한 걸음 더 가까이 가져온다.”

과학적 발견을 가속화하는 변혁적인 접근 방식을 대표하는 자율 주행 연구소는 화학 및 재료 과학 분야에서 인기를 얻고 있다.

연속 흐름 반응기를 사용하는 자율 주행 연구소는 종종 안정된 흐름 실험에 의존하며, 여기서 다른 전구체가 화학 반응이 발생하기 전에 결합되고, 혼합물이 지속적으로 마이크로 채널을 통해 흐른다. 제품이 나타나면 반응이 완료되면 일련의 센서에 의해 특성화됩니다.

“자율 주행 연구소에 대한 이러한 확립된 접근 방식은 재료 발견에 큰 영향을 미쳤습니다.”라고 Abolhasani는 말했습니다. 그는 이 접근 방식이 과학자들이 “특정 응용 분야에 대한 유망한 재료 후보를 몇 개월 또는 몇 주 만에 식별할 수 있도록 허용했으며, 비용과 작업의 환경적 영향을 줄였다”고 말했습니다. 그러나 완벽한 것은 아니었습니다. 아직 개선할 수 있는 영역이 남아있었습니다.

특히, 화학 반응이 발생할 때 시스템이 대기하는 동안 결과 재료를 특성화할 수 있습니다. 자율 주행 연구소의 대기 시간은 각 정상 상태 흐름 실험에서 최대 1시간까지 걸릴 수 있습니다.

“우리는 이제 시스템을 통해 화학 혼합물을 지속적으로 변경하고 실시간으로 모니터링하는 동적 흐름 실험을 사용하는 자율 주행 연구소를 만들었습니다.”

– Abolhasani

이것은 의미하는바로 시스템을 통해 별도의 샘플을 실행하고 각 샘플을 한 번에 테스트하는 과정을 제거하는 것입니다.대신, 그들은 단순히 중단되지 않는 시스템을 구축했습니다. 샘플은 시스템을 통해 연속적으로 이동합니다. 이는 “시스템이 샘플의 특성을 분석하지 않기” 때문이며, 연구자는 “샘플에서 발생하는 모든 것을 반초마다 데이터를 캡처할 수 있습니다.”

자율 주행 유체 실험실 내에서 동적 흐름 실험이 통합됨으로써 전통적인 일괄 실험에서 벗어난 것을 나타냅니다.

전통적인 접근 방식과는 달리, 분리된 데이터 포인트가 수집되며, 안정된 상태에서 동적 흐름 실험에서, 마이크로 유체 공학 원리가 반응 조건의 빠른 매핑을 위해 사용됩니다.빠른 매핑을 위해 사용됩니다.

연속적인 데이터 스트림을 생성함으로써, 접근 가능한 실험 데이터를 크게 확장합니다.Abolhasani는 팀이 현재 얻는 실험 결과에 대한 20개의 데이터 포인트를 설명했는데, 이는 반응 시간 0.5초 후에 하나의 데이터 포인트를 시작으로, 1초 후에 하나의 데이터 포인트를 얻는 식으로 진행되며, 하나의 데이터 포인트를 얻는 것과는 다르다고 하였다. 그는 다음과 같이 덧붙였다:“이것은 단일 스냅샷에서 전체 영화로의 전환과 같다. 각 실험을 기다리는 대신, 우리의 시스템은 항상 실행되고, 항상 학습한다.”

“이것은 단일 스냅샷에서 전체 영화로의 전환과 같다. 각 실험을 기다리는 대신, 우리의 시스템은 항상 실행되고, 항상 학습한다.”

이처럼 많은 데이터를 가질 수 있는 것은 AI를 사용한 연구소의 성능에 엄청난 영향을 미칠 수 있다. 데이터는 알고리즘의 핵심이기 때문이다. AI는 데이터에飢餓하다. 그리고 알고리즘이 餵給되는 데이터에 따라 예측을 한다.

Abolhasani에 따르면:

“자율 주행 연구소의 가장 중요한 부분은 시스템이 다음에 어떤 실험을 수행해야 하는지 예측하는 데 사용되는 기계 학습 알고리즘이다.”

이러한 스트리밍 데이터 접근 방식은 자율 주행 연구소의 ML 브레인이 더 빠르뿐만 아니라 더智能한 결정을 내릴 수 있도록 하며, “최적의 재료와 공정을 단시간에 집중할 수 있다.”데이터의 품질도 예측의 정확도를 결정한다. 따라서, 더 많은 고품질 실험 데이터를 가짐으로써, 알고리즘은 더 정확한 예측을 할 수 있고, 그리고 그러면그것은 문제를더 빠르게 해결할 수 있다. 

“이것은 또한 해법에 도달하기 위해 필요한 화학물질의 양을 줄이는 추가적인 이점을 가지고 있다.” 

– 아볼하사니

그들의 시스템의 능력을 보여주기 위해, 팀은 동적 흐름 실험을 CdSe 콜로이드 양자 점에 적용했다. 이것은 풍부한 매개변수 의존성과 함께 잘 확립된 무기 시스템으로서의 지위를 가지고 있으며 또한 상당한 기술적 잠재력을 가지고 있기 때문에 테스트 베드로서 사용되었다.

이 경우, 팀은 동적 흐름 시스템을 통합한 실험실이 “데이터 수집 효율성에서 10배 이상의 개선”을 달성했다는 것을 발견했다.
그것은 정상 상태 흐름 실험을 사용하는 다른 자율 주행 실험실보다 최소 10배 더 많은 데이터를 생성했다. 또한, 훈련된 후, 자율 주행 실험실은 첫 시도에서 최적의 후보자를 발견할 수 있었다.이번 혁신은 Abolhasani가 말한 바와 같이 “단순히 속도”에 관한 것이 아니라 지속 가능성을 달성하는 것에 관한 것이다. 필요한 실험의 수를 줄임으로써 시스템은 화학 물질의 소비와 폐기물을 크게 줄여 더 지속 가능한 연구 관행을 촉진한다. Abolhasani는 말했다:

“재료 발견의 미래는 단순히 우리가 얼마나 빠르게 갈 수 있는지에 관한 것이 아니라, 우리가 어떻게 책임감 있게 도달하는지에 관한 것이다. 우리의 접근 방식은 더 적은 화학 물질, 더 적은 폐기물, 그리고 사회의 가장 어려운 도전에 대한 더 빠른 해결책을 의미한다.”

재료 과학에서 확대되는 AI의 역할: 흥미로운 최근 발견

전 세계 산업을 변화시키고 있는 AI그리고 많은 기술 혁신과 사회적 도전에 기초가 되는 재료 과학도 예외는 아닙니다. 따라서 사용 새로운 재료의 발견과 개발에서 AI의 진행 중인 현재까지 많은 년간 확실히 진행되어 왔지만, 기술이 더 발전하고 능력이 향상됨에 따라 최근 몇 년 동안  certainly

“계속적인 개발로 인해, 우리는 로봇공학과 자동화가 다양한 기기와 학문 분야에 걸친 실험의 속도, 정밀도, 및 재현성을 향상시킬 것으로 기대하며, 인공지능 시스템이 추가 실험을 안내하기 위해 분석할 수 있는 데이터를 생성할 것입니다.“

– 논문 ‘과학 연구실을 자동화된 발견 공장으로 변환‘의 공동 저자인 제임스 카훈 박사²

그와 함께, 올해 다른 응용 프로그램에 걸친 재료 과학에서 이루어진 주요 진행 상황을 살펴보겠습니다.まず、先日共有したように、AIの助けを借りて、科学者たちは複雑な3D熱メタエミッターを設計でき、室内温度を下げ、エネルギー費用を節約するのに役立ちます。新しく設計されたML技術を使用して作成された材料は、住宅や商業ビル、宇宙船、織物やテキスタイル、自動車などに応用できます。

「プロセスを自動化し、設計空間を拡大することで、以前は想像できなかった優れた性能を持つ材料を作成できます。」

– 研究の共同リーダー、Yuebing Zheng

優れた強度を持つ新しい金属材料の開発

数ヶ月前、科学者たちはAIを使用して、新しいMPEAまたは複数の主要要素合金を設計しました。これらの合金は、航空機部品、触媒コンバータ、膝関節置換などに使用されています。새로 설계된 MPEA는 우수한 기계적 특성을 가지고 있으며, 버지니아 테크의 화학 공학 부교수인 산케트 데슈무크는 “이 프레임워크와 설명 가능한 AI가 재료 설계에서 새로운 가능성을 열어주는 것을 보여준다”고 말했다.“

AI 모델에 의해 수행된 분석을 해석하기 위해 데슈무크와 그의 팀은 사용한 SHAP (SHapley Additive exPlanations) 분석을 통해 서로 다른 요소와 그들의 지역 환경이 영향을 미치는 방식을 이해할 수 있었으며, MPEAs의 특성에 대해 더 많은 통찰력과 정확한 예측을 제공했다.고급 금속 합금의 발견을 가속화하는 것 외에도, Deshmukh는 ML을 진화 알고리즘과 실험 검증과 통합하면 “글리코물질(glycomaterials) – 탄수화물을 포함하는 고분자 물질과 같은 복잡한 물질 시스템에 확장할 수 있는 도구를 만들 수 있을 것”이라고 믿는다.

박막에서 덴드라이트 성장의 비밀 풀기

연구³도쿄 과학 대학(TUS)의 연구진은 박막에서 덴드라이트(나무 가지와 같은 분기 패턴)의 성장을 예측하는 설명 가능한 AI 모델을 개발하였다. 이는 박막의 대면적 제조에서 주요 장애물이며 상업화를 제한하고 있다.

덴드라이트 분기背後の 특정 조건과 메커니즘을 밝혀내는 AI 모델은 박막의 성장 과정을 개선하는 데 도움이 된다. 박막 장치는 중요한 기술인 반도체와 같은 기술에서 중요하다.새로운 AI 모델은 주성분 분석(PCA)이라는 기계 학습 방법과 자유 에너지 분석을 사용하는 지속적 동형론이라는 위상 기법을 통합했습니다. 

“위상과 자유 에너지를 통합함으로써, 우리의 방법은 재료 분석에 대한 다용도 접근 방식을 제공합니다. 이 통합을 통해 우리는 원자 규모의 미세 구조와 거시적 기능 사이의 계층적 연결을 다양한 재료에 걸쳐 설정할 수 있으며, 이는 재료 과학의 미래 발전에 길을 열어줍니다.“
– 도쿄 공과대학(TUS) 재료 과학 기술부의 마사토 코츠기 교수

나노 입자의 더 나은 이해

다중 대학의 과학자 팀이 함께 나노 입자의동적 행동을⁴을 더 잘 이해하기 위해 방법을 개발했습니다. 이 나노 입자는 전자 제품, 제약품 및 산업 재료의 기본 구성 요소입니다.
이 방법은 전자 현미경과 AI를 결합하여 이전에 예상할 수 없는 시간 분해능으로 분자의 구조와 운동을 시각화했습니다.아리조나 주립 대학교의 재료 과학 및 공학 교수인 피터 A. 크로지어는 다음과 같이 설명했다:

“전자 현미경은 높은 공간 분해능으로 이미지를 캡처할 수 있지만, 나노 입자의 원자 구조가 화학 반응 중에 얼마나 빠르게 변경되는지 이해하기 위해 매우 높은 속도로 데이터를 수집해야 한다.”

이러한 노イズ를 완화하기 위해, 연구진은 자동으로 노イズ를 제거하는 인공지능 방법을 개발하여 “원자 수준의 동역학을 시각화하는 것을 가능하게 했다.”
한편, 그라츠 공과 대학의 연구 그룹은 인공지능을 사용하여 나노 구조 구축을 새로운 수준으로 끌어올리고 있다.
이 위해, 연구진은 스캐닝 터널링 현미경을 사용하여 개별 분자를 빠르고 올바른 방향으로 자율적으로 위치시키는 자기 학습 인공지능 시스템을 개발하고 있다. 이는 일반적으로 어려운 과정이며, 올바른 방향으로, 나노 미터 범위의 논리 회로를 포함한 “매우 복잡한 분자 구조”의 구축을 허용하기 위해 구축을 허용한다.“ 궁극적으로는 전자를 가둘 수 있는 문 모양의 나노 구조인 양자 방울을 만들고, 그것을 이용하여 논리 회로를 만들어서 분자 수준에서 어떻게 작동하는지 연구하는 것이 목표입니다. 

더 나은 광伏 재료 발견

전통적인 실리콘 기반 太陽能電池의 지속 가능한 대안인 페로브스카이트 太陽能電池 은 다음 세대의 광伏 기술로서 햇빛을 전기로 변환하는 데 큰 약속을 보여줍니다. 

양이온을 전도하는 분자로 인해 그 효능을 더욱提高할 수 있지만, 수백만 가지의 다른 분자가 존재하기 때문에, 모두 합성하고 테스트하는 것은  그러나 카를스루에 공과대학교(KIT)의 연구팀은 자동화된 고처리 합성을 이용한 인공지능을 활용하여 새로운 유기 분자⁵를 단 몇 주 만에 발견할 수 있었으며, 목표로 한 150개의 실험만으로도 가능했습니다.

새로 발견된 재료는 참조 太陽能電池의 효율을 약 2%提高시켰습니다.이 위해 과학자들은 100만 개의 가상 분子的 데이터베이스를 사용하여 그 중 13,000개를 무작위로 선택한 후 101개를 선택했습니다. 선택된 분자는 그 특성에서 가장 큰 차이를 보였으며, 로봇 시스템으로 합성된 로 태양 전지를 생산하기 전에사용되었습니다.

AI 기반 재료 발견을 위한 기초 구축

이 모든 발견이이루어지고 있는 동안, AI가 실제로 이를 구현하기 위해, 데이터가 필요합니다. 이는 재료에 대한 데이터以及 대규모 시뮬레이션의 데이터를 포함합니다.
이러한 데이터베이스는 많이 उपलब하지만, 서로 분리되어 있기 때문에, 사용자가 이러한 데이터 라이브러리와 통신하고 받은 정보를 이해할 수 있는 표준이 필요합니다.“ 벨기에의 UCLouvain에 있는 응용과학 및 기술연구소의 Gian-Marco Rignanese 교수는 말했습니다.
因此, 지난 여름, 주요 국제 협력 은 AI 기반 재료 발견을 촉진하기 위한 OPTIMADE 표준의 확장 버전을 발표했습니다.OPTIMADE (Open 데이터베이스 통합을 위한 재료 설계) 표준은 대규모 국제 기관 및 재료 데이터베이스 네트워크에 의해 지원됩니다. 주요 재료 데이터베이스뿐만 아니라 잘 알려지지 않은 데이터베이스에 사용자가 더 쉽게 접근할 수 있도록 하기 위한 목표로, 사용자에게 더 쉽게 접근할 수 있는 주요 및 잘 알려지지 않은 재료 데이터베이스에 대한 접근을 제공하기 위한 목적으로 새로운 버전이 導入되었습니다. 이는 진행 중인 AI 기반 재료 발견을 더욱 가속화할 수 있습니다

재료 발견을 위한 AI 투자

이 공간에 투자하는 것을 조사할 때, Alphabet Inc. (GOOGL )이 소유한 Google은 Gnome라는 AI 도구를 출시했으며, 2.2백만개의 새로운結晶을 발견했다고 보고했다. 그런 다음 Microsoft(MSFT )가 새로운 후보 재료를 만들고 검증하기 위해 MatterGen과 MatterSim을 도입했다.

하지만 재료 연구의 규모와 정밀도를 높이기 위해 자체 모델을 출시한 또 다른 AI 거장이 있다.

NVIDIA Corporation(NVDA )

그것은 AI의宠兒인 Nvidia이다. 작년 말, 회사는 NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation)을 출시했다.이 플랫폼은 화학 및 재료 과학의 R&D를 인공지능의 힘을 통해 가속화하고, 이를 달성하기 위해, API와 가속된 추론 마이크로 서비스를 포함합니다. 이는생성과배포를가능하게할것으로계산비용과정확도사이의균형을달성하기위한대리모델의개발과⟦UAHTML0059⟧사용⟦UAHTML0060⟧⟦UAHTML0061⟧을⟦UAHTML0062⟧⟦UAHTML0063⟧가능⟦UAHTML0064⟧⟦UAHTML0065⟧하게⟦UAHTML0066⟧⟦UAHTML0067⟧할⟦UAHTML0068⟧⟦UAHTML0069⟧것⟦UAHTML0070⟧⟦UAHTML0071⟧입니다.⟦UAHTML0072⟧ ⟦UAHTML0073⟧또한⟦UAHTML0074⟧⟦UAHTML0075⟧접근⟦UAHTML0076⟧⟦UAHTML0077⟧가능⟦UAHTML0078⟧⟦UAHTML0079⟧한⟦UAHTML0080⟧⟦UAHTML0081⟧정보⟦UAHTML0082⟧⟦UAHTML0083⟧도구⟦UAHTML0084⟧⟦UAHTML0085⟧와⟦UAHTML0086⟧⟦UAHTML0087⟧사전⟦UAHTML0088⟧⟦UAHTML0089⟧학습⟦UAHTML0090⟧⟦UAHTML0091⟧된⟦UAHTML0092⟧⟦UAHTML0093⟧기초⟦UAHTML0094⟧⟦UAHTML0095⟧모델⟦UAHTML0096⟧⟦UAHTML0097⟧을⟦UAHTML0098⟧⟦UAHTML0099⟧제공⟦UAHTML0100⟧⟦UAHTML0101⟧함⟦UAHTML0102⟧⟦UAHTML0103⟧으로써⟦UAHTML0104⟧⟦UAHTML0105⟧신속⟦UAHTML0106⟧⟦UAHTML0107⟧한⟦UAHTML0108⟧⟦UAHTML0109⟧스크린⟦UAHTML0110⟧⟦UAHTML0111⟧링⟦UAHTML0112⟧⟦UAHTML0113⟧과⟦UAHTML0114⟧⟦UAHTML0115⟧시뮬레이션⟦UAHTML0116⟧⟦UAHTML0117⟧도구⟦UAHTML0118⟧⟦UAHTML0119⟧를⟦UAHTML0120⟧⟦UAHTML0121⟧사용⟦UAHTML0122⟧⟦UAHTML0123⟧하여⟦UAHTML0124⟧⟦UAHTML0125⟧인공지능⟦UAHTML0126⟧⟦UAHTML0127⟧모델⟦UAHTML0128⟧⟦UAHTML0129⟧을⟦UAHTML0130⟧⟦UAHTML0131⟧학습⟦UAHTML0132⟧⟦UAHTML0133⟧시키고⟦UAHTML0134⟧⟦UAHTML0135⟧세부⟦UAHTML0136⟧⟦UAHTML0137⟧조정⟦UAHTML0138⟧⟦UAHTML0139⟧할⟦UAHTML0140⟧⟦UAHTML0141⟧수⟦UAHTML0142⟧⟦UAHTML0143⟧있는⟦UAHTML0144⟧⟦UAHTML0145⟧신규⟦UAHTML0146⟧⟦UAHTML0147⟧사용⟦UAHTML0148⟧⟦UAHTML0149⟧례⟦UAHTML0150⟧⟦UAHTML0151⟧를⟦UAHTML0152⟧⟦UAHTML0153⟧위한⟦UAHTML0154⟧⟦UAHTML0155⟧인공지능⟦UAHTML0156⟧⟦UAHTML0157⟧모델⟦UAHTML0158⟧⟦UAHTML0159⟧을⟦UAHTML0160⟧⟦UAHTML0161⟧제공⟦UAHTML0162⟧⟦UAHTML0163⟧합니다.⟦UAHTML0164⟧

⟦UAHTML0165⟧NVIDIA는⟦UAHTML0166⟧⟦UAHTML0167⟧ALCHEMI⟦UAHTML0168⟧⟦UAHTML0169⟧를⟦UAHTML0170⟧⟦UAHTML0171⟧통해⟦UAHTML0172⟧⟦UAHTML0173⟧발견⟦UAHTML0174⟧⟦UAHTML0175⟧워크플로우⟦UAHTML0176⟧⟦UAHTML0177⟧를⟦UAHTML0178⟧⟦UAHTML0179⟧가속화⟦UAHTML0180⟧⟦UAHTML0181⟧시키고,⟦UAHTML0182⟧⟦UAHTML0183⟧”보다⟦UAHTML0184⟧⟦UAHTML0185⟧지속⟦UAHTML0186⟧⟦UAHTML0187⟧가능⟦UAHTML0188⟧⟦UAHTML0189⟧하고⟦UAHTML0190⟧⟦UAHTML0191⟧건강⟦UAHTML0192⟧⟦UAHTML0193⟧한⟦UAHTML0194⟧⟦UAHTML0195⟧미래⟦UAHTML0196⟧⟦UAHTML0197⟧를⟦UAHTML0198⟧⟦UAHTML0199⟧위한⟦UAHTML0200⟧⟦UAHTML0201⟧새로운⟦UAHTML0202⟧⟦UAHTML0203⟧시대⟦UAHTML0204⟧⟦UAHTML0205⟧의⟦UAHTML0206⟧⟦UAHTML0207⟧발견⟦UAHTML0208⟧⟦UAHTML0209⟧을⟦UAHTML0210⟧⟦UAHTML0211⟧촉진⟦UAHTML0212⟧⟦UAHTML0213⟧시킬⟦UAHTML0214⟧⟦UAHTML0215⟧것”⟦UAHTML0216⟧⟦UAHTML0217⟧을⟦UAHTML0218⟧⟦UAHTML0219⟧목표로⟦UAHTML0220⟧⟦UAHTML0221⟧합니다.⟦UAHTML0222⟧

⟦UAHTML0223⟧NVIDIA는⟦UAHTML0224⟧⟦UAHTML0225⟧4.22⟦UAHTML0226⟧⟦UAHTML0227⟧조⟦UAHTML0228⟧⟦UAHTML0229⟧시장⟦UAHTML0230⟧⟦UAHTML0231⟧자본⟦UAHTML0232⟧⟦UAHTML0233⟧을⟦UAHTML0234⟧⟦UAHTML0235⟧가지고⟦UAHTML0236⟧⟦UAHTML0237⟧있는⟦UAHTML0238⟧⟦UAHTML0239⟧회사로,⟦UAHTML0240⟧⟦UAHTML0241⟧그의⟦UAHTML0242⟧⟦UAHTML0243⟧주식⟦UAHTML0244⟧⟦UAHTML0245⟧은⟦UAHTML0246⟧⟦UAHTML0247⟧173.5⟦UAHTML0248⟧⟦UAHTML0249⟧달러⟦UAHTML0250⟧⟦UAHTML0251⟧에⟦UAHTML0252⟧⟦UAHTML0253⟧거래⟦UAHTML0254⟧⟦UAHTML0255⟧되고⟦UAHTML0256⟧⟦UAHTML0257⟧있으며,⟦UAHTML0258⟧⟦UAHTML0259⟧년⟦UAHTML0260⟧⟦UAHTML0261⟧초⟦UAHTML0262⟧⟦UAHTML0263⟧기⟦UAHTML0264⟧⟦UAHTML0265⟧까지⟦UAHTML0266⟧⟦UAHTML0267⟧28.8%⟦UAHTML0268⟧⟦UAHTML0269⟧상승⟦UAHTML0270⟧⟦UAHTML0271⟧했습니다.⟦UAHTML0272⟧⟦UAHTML0273⟧그의⟦UAHTML0274⟧⟦UAHTML0275⟧EPS⟦UAHTML0276⟧⟦UAHTML0277⟧(TTM)⟦UAHTML0278⟧⟦UAHTML0279⟧는⟦UAHTML0280⟧⟦UAHTML0281⟧3.10,⟦UAHTML0282⟧⟦UAHTML0283⟧P/E⟦UAHTML0284⟧⟦UAHTML0285⟧(TTM)⟦UAHTML0286⟧⟦UAHTML0287⟧는⟦UAHTML0288⟧⟦UAHTML0289⟧55.73,⟦UAHTML0290⟧⟦UAHTML0291⟧배당⟦UAHTML0292⟧⟦UAHTML0293⟧수익률⟦UAHTML0294⟧⟦UAHTML0295⟧은⟦UAHTML0296⟧⟦UAHTML0297⟧0.02%⟦UAHTML0298⟧⟦UAHTML0299⟧입니다.⟦UAHTML0300⟧

NVIDIA Corporation (NVDA)의 최신 주식 뉴스 및 개발

결론

인공지능, 자동화, 고성능 컴퓨팅이 결합함에 따라, 재료 과학은 가장 변혁적인 시대에 접어들고 있으며, 인간 주도적인 시도와 오류에서 자율적인 발견으로의 필요성이 대두되고 있습니다.

이러한 가운데, 인공지능 기반 연구소와 자율 주행 실험 플랫폼은 과학자들이 재료를 발견하는 방식뿐만 아니라 테스트하고 최적화하는 방식도 완전히 바꾸고 있습니다. 또한, NVIDIA의 ALCHEMI, Google의 Gnome, Microsoft의 MatterGen과 같은 이니셔티브를 통해 대기업도 인공지능을 통해 다음 혁신의 물결을 창출하기 위해 베팅하고 있습니다!

인공지능에 대한 투자에 대해 모든 것을 배우려면 여기를 클릭하세요.

참조:

1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. 유동 기반 데이터 집중화를 통한 자율적 무기 물질 발견 가속. Nature Chemical Engineering, 2025년 7월 14일 온라인 출판. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. 과학 연구실을 자동화된 발견 공장으로 변환하기. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. 영구 호모로지와 에너지 분석을 사용한 덴드라이트 성장의 구조와 과정 연결. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, A. M.; Vincent, J.; Mohan, S.; Morales, A. M.; Kulkarni, S. A.; Matteson, D. S.; Wang, Y.; Fernandez‑Granda, C. 깊은 노이즈 제거를 통해 가능해진 나노 입자 표면 역학 및 불안정성 시각화. Science 2025, 387 (6737), 949–954. https://doi.org/10.1126/science.ads2688
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. 페로브스카이트 태양 전지용 구멍 전도 재료를 위한 역 설계 워크플로우. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901