AI가 차세대 지속 가능한 냉각 소재 탐색을 가속화하다

재료 분야에서 열 나노포토닉스는 기술 응용 전반에 걸친 근본적인 돌파구를 가능하게 하는 데 핵심적입니다.

열 나노포토닉스는 나노포토닉스와 열 과학을 결합하여 나노스케일에서 열 전달을 조작하고 제어합니다. 이는 나노구조와 재료를 활용해 열 복사를 맞춤화하고 열 흐름을 제어함으로써 에너지 수집, 열 관리, 센싱 등 다양한 분야에서 발전을 이끌어냅니다.

나노포토닉스는 나노미터 규모에서 빛의 거동을 다루며, 나노포토닉 재료는 열 방출에 대한 스펙트럼 및 방향 제어를 제공합니다.

전통적인 재료 탐색 방법은 시행착오에 의존해 왔지만, 머신러닝(ML)과 인공지능(AI)의 등장으로 재료 과학 분야가 크게 변모하여 재료 발견, 설계, 최적화 과정을 크게 가속화했습니다.

기술이 나노포토닉 및 메타재료 설계에서 강력한 능력을 보여주고 있지만, 초광대역 제어와 정밀한 밴드 선택성을 갖춘 고성능 나노포토닉 방출체를 맞춤 설계하는 일반적인 설계 방법론을 개발하는 것은 여전히 도전 과제입니다. 

이는 기존 알고리즘, 지역 최적화 함정, 사전 정의된 형상 및 재료에 제한을 받기 때문입니다. 

하지만 현재 텍사스 대학교 오스틴 캠퍼스 연구진이 스웨덴 우메오 대학교, 싱가포르 국립대학, 상하이 교통대학 연구자들과 협력해 이 문제를 해결하고 있습니다.

함께 그들은 복잡한 3D 열 메타 방출체를 설계하기 위한 ML 기술¹을 개발했습니다. 

메타 방출체는 전자기 복사를 제어·조작하도록 설계된 엔지니어링 재료로, 에너지 효율 및 열 관리 분야에 활용됩니다. 

“우리의 머신러닝 프레임워크는 열 메타 방출체 설계에 있어 획기적인 도약을 의미합니다. 프로세스를 자동화하고 설계 공간을 확장함으로써 이전에는 상상할 수 없었던 우수한 성능의 재료를 만들 수 있게 되었습니다.”

– 연구 공동 책임자, 워커 기계공학부 코클렐 스쿨 오브 엔지니어링, 유빙 정 교수

기후 회복력 있는 도시 설계를 위한 AI 기반 소재

Nature에 발표된 이 연구는 실내 온도를 낮추고 에너지 비용을 절감할 수 있는 새로운 ML 기반 프레임워크를 상세히 설명합니다.

연구진은 이 프레임워크로 1,500개가 넘는 열 메타 방출체 설계 후보를 계산했습니다. 이 구조들은 특정 파장대에서 열복사를 조절하도록 설계됐지만, 모두 실제 소재로 합성되거나 성능이 검증된 것은 아닙니다. 실용화 가능성은 제작성, 내구성, 비용을 추가로 확인해야 합니다.

프레임워크는 제한된 데이터만으로도 재료 다양성과 3D 구조 복잡성을 포괄하는 다중 파라미터를 최적화하여 초광대역 및 밴드 선택적 열 메타 방출체를 설계할 수 있습니다.

연구에 따르면 이 시스템은 두 가지 설계 작업을 수행합니다. 먼저 원하는 스펙트럼 특성에 맞춰 다양한 메타구조와 소재 조합을 역설계합니다. 이어 기존의 평면 구조를 넘어 복잡한 3차원 메타 방출체를 탐색합니다. 연구진이 설명한 새로운 설계 능력은 계산 결과를 뜻하며, 모든 후보의 실제 제조 가능성을 보장하지는 않습니다.

연구진은 기존 설계와 비교해 우수한 광학 및 복사냉각 성능을 보인 일곱 가지 개념증명 메타 방출체를 제시했습니다. 각 설계는 서로 다른 스펙트럼 기능을 목표로 했습니다.

개발된 일반화 가능한 프레임워크는 3D 나노포토닉 재료 제조를 위한 것으로, 연구진은 “기하학적 자유도와 차원을 확대하고 포괄적인 재료 데이터베이스를 통해 전역 최적화를 촉진한다”고 밝혔습니다.

이제 설계 시스템의 실현 가능성을 평가하기 위해 연구진은 네 가지 샘플 재료를 제작하고 성능을 테스트했습니다. 

연구진은 메타 방출체 시료 하나를 모형 주택의 지붕에 적용하고 상용 흰색 및 회색 페인트와 비교했습니다. 한낮의 직사광선에 4시간 노출한 실험에서 시료 표면 온도는 비교 대상보다 평균 5~20°C 낮았습니다. 이는 제한된 실험 조건의 표면온도 결과이며 실제 건물의 연간 냉방에너지 절감량과 동일하지 않습니다.

연구팀은 모델링을 바탕으로 방콕의 한 아파트 건물에 적용할 경우 연간 냉방 전력 사용량을 약 15,800kWh 줄일 수 있다고 추정했습니다. 이는 특정 건물과 기후를 가정한 계산값으로, 모든 건물에서 동일한 절감 효과가 발생한다는 뜻은 아닙니다.

이러한 소재는 주거 및 상업 건물의 냉방 수요를 줄이는 데 활용될 가능성이 있습니다. 햇빛을 반사하고 대기창 파장대에서 열을 방출하면 도시 열섬 완화에도 도움이 될 수 있지만, 도시 규모의 효과는 실제 적용 면적과 환경 조건에 따라 달라집니다.

우주 분야에서는 흡수하는 태양복사와 방출하는 열을 조절해 우주선의 수동 열관리에 활용할 가능성이 있습니다. 우주 환경에서의 내구성과 제조 적합성은 별도로 검증해야 합니다.

열 메타 방출체의 활용 사례는 이보다 훨씬 넓습니다. 예를 들어 섬유와 의류에 통합하면 옷과 야외 장비의 냉각 기술을 향상시킬 수 있습니다. 

자동차도 또 다른 적용 분야입니다. 자동차 외부와 내부 재료에 열 메타 방출체를 적용하면 햇빛에 노출된 차량 내부 온도를 낮출 수 있습니다.

열 메타 방출체는 설계와 제조가 복잡하고, 기존 자동화 도구도 다층 3차원 구조를 다루는 데 한계가 있어 아직 널리 쓰이지 않습니다. 새 AI 프레임워크는 설계 탐색을 개선할 수 있지만, 대량생산과 장기 내구성 문제까지 해결한 것은 아닙니다.

“전통적으로 이러한 재료를 설계하는 데는 시간이 많이 걸리고 노동 집약적이며, 시행착오 방식에 의존했습니다. 이 접근법은 종종 최적 이하의 설계로 이어지고, 필요한 특성을 갖춘 재료를 만들 수 있는 능력을 제한합니다.”

– 정

따라서 연구진은 기술을 지속적으로 개선하고 나노포토닉스의 추가 분야에 적용하기 위해 노력할 것입니다.

“머신러닝이 모든 문제의 해결책은 아니지만, 열 관리의 고유한 스펙트럼 요구 사항 때문에 고성능 열 방출체 설계에 특히 적합합니다.”

– 공동 저자 칸 야오

AI가 신소재 발견을 가속하는 방식

재료 과학은 재료의 구조, 특성, 가공 및 성능에 초점을 맞추며, 항공우주, 전자, 에너지, 의료 등 모든 분야의 기반을 형성합니다. 

실제로 새로운 재료의 발견과 개발은 수세기 동안 인류 역사를 형성하며 기술을 진보시켜 왔습니다.

과학자들은 오랫동안 유용한 특성을 지닌 새로운 무기 소재를 찾기 위해 시행착오와 물리 기반 계산을 함께 사용해 왔습니다. 이 과정은 많은 실험과 계산 자원을 요구하며, 유망 후보를 실제로 합성하고 검증하는 데도 긴 시간이 걸립니다.

재료의 분자·원자 수준 복잡성 때문에 새로운 재료 발견은 시간과 비용이 많이 드는 과정이었습니다. 슈퍼컴퓨터의 가용성이 증가하면서 재료의 거동을 시뮬레이션할 수 있게 되어 재료 과학에 변화를 가져왔습니다.

최근 AI는 후보 물질의 구조와 특성을 예측하고 방대한 설계 공간의 우선순위를 정하는 데 활용되고 있습니다. 생성 모델은 새로운 후보를 제안할 수 있지만, 실제 안정성·합성 가능성·성능은 계산과 실험으로 확인해야 합니다.

오늘날의 고급 모델은 방대한 데이터셋으로 학습되고 고속 처리와 결합되어 후보 재료를 신속히 스크리닝하고 원하는 파라미터에 맞는 특성을 예측해 짧은 시간 안에 수많은 물질을 평가합니다.

AI는 후보 선별과 계산을 빠르게 해 개발 시간과 자원 사용을 줄일 수 있습니다. 다만 결과의 정확도는 학습 데이터와 모델의 적용 범위에 좌우되며, 실험 검증을 대체하지는 않습니다.

캘리포니아 대학교 버클리의 재료 과학 교수 크리스틴 퍼슨은 이렇게 언급했습니다: “우리는 현재 빅데이터와 AI가 주도하는 패러다임에 있습니다. 오늘날 우리는 머신러닝 알고리즘을 훈련시킬 충분한 데이터를 보유하고 있으며, 이는 혁신 속도에 새로운 차원을 가져다줍니다.”

흥미롭게도 AI는 새로운 재료 발견에서도 혜택을 받습니다. AI는 데이터가 많이 필요하고, 재료 과학은 데이터가 부족합니다. 이 기술을 활용하면 재료 특성을 시뮬레이션하고, 생성된 데이터를 머신러닝 모델 훈련에 사용할 수 있습니다.

퍼슨은 현재 전 세계의 모든 알려진 무기 재료와 그 너머까지의 특성을 계산하기 위해 슈퍼컴퓨팅과 고급 시뮬레이션 방법을 활용하는 다기관·다국가 협력 프로젝트인 Materials Project를 이끌고 있습니다. 이 데이터는 새로운 재료 설계에 자유롭게 제공됩니다.

클릭하여 적응형 지붕 타일이 난방·냉방 에너지 소비를 줄이는 데 어떻게 도움이 되는지 알아보세요.

AI 기반 소재 발견의 주요 사례

토론토 메트로폴리탄대학교 연구진은 새로운 소재가 어떤 용도에 적합한지 예측해 발견과 응용 사이의 간극을 줄이기 위한 도구²를 발표했습니다.

이 다중모달 AI 도구는 초기 단계 데이터를 활용해 금속-유기 골격체(MOF)라는 다공성 재료군의 실제 활용 가능성을 예측합니다. 

작년만 해도 연구진은 조정 가능한 특성을 가진 5,000가지 이상의 MOF를 개발했으며, 이는 토론토 대학(화학공학) 소속 세이드 모하마드 무사비 교수의 연구가 이끌었습니다. 그는 하나의 응용을 위해 만든 MOF가 전혀 다른 분야에서도 적합한 특성을 가질 수 있다는 점이 도전 과제라고 덧붙였습니다.

“재료 발견에서 흔히 묻는 질문은 ‘이 응용에 가장 적합한 재료는 무엇인가?’입니다.”라고 무사비는 말했습니다. “우리는 질문을 뒤집어 ‘이 새로운 재료에 가장 적합한 응용은 무엇인가?’라고 물었습니다. 매일 수많은 재료가 만들어지는 상황에서 우리는 ‘다음에 어떤 재료를 만들 것인가’에서 ‘다음에 어떤 평가를 할 것인가’로 초점을 전환하고자 합니다.”

이에 화학공학 박사과정 학생 사르타지 칸은 다양한 데이터 유형으로 훈련된 다중모달 머신러닝 시스템을 개발했습니다. 다중모달 접근은 모델에 “보다 완전한 그림”을 제공해 사후 합성 없이도 더 정확한 예측을 가능하게 했습니다.

한편 미국 아르곤국립연구소 연구진은 생성형 AI 확산 모델을 이용해 슈퍼컴퓨터에서 30여 분 만에 12만 개가 넘는 MOF 후보 구조³를 만들었습니다. 이어 수정한 신경망으로 고성능 가능성이 있는 364개 후보로 범위를 좁혔습니다. 이 수치는 계산 후보를 뜻하며 실제 합성된 물질 수가 아닙니다.

추가 계산을 거쳐 연구팀은 데이터셋에서 안정성이 예상되는 MOF 102개를 골랐고, 그중 6개는 계산된 이산화탄소 저장용량이 hMOF 데이터베이스 상위 5%에 들었습니다. 이러한 예측 역시 실험 검증이 필요합니다.

또 다른 연구에서는 AI를 이용해 밀도 대비 강도가 매우 높은 탄소 나노격자⁴를 설계했습니다. ‘스티로폼처럼 가볍고 탄소강처럼 강하다’는 표현은 비강도 비교를 요약한 것이며, 벌크 강철과 모든 성능이 같다는 뜻은 아닙니다.

강도와 인성은 많은 재료, 특히 초소형 빌딩 블록으로 구성된 나노구조 재료에서 상충되는 경우가 많습니다. 반복되는 빌딩 블록은 재료를 강하게 만들지만, 동시에 응력 집중을 일으켜 급격한 파손을 초래할 수 있습니다. 

보다 나은 나노재료 설계를 위해 연구진은 가능한 형상을 시뮬레이션하고, 이를 통해 학습된 알고리즘이 적용된 응력 분산에 최적화된 형태를 예측하도록 했습니다.

연구진은 3D 프린팅으로 구조를 제작했습니다. 보고된 비강도는 2.03MPa·m³/kg으로, 밀도를 고려한 수치가 티타늄보다 약 다섯 배 높았습니다. 이는 동일한 시험 조건의 비강도 비교이며 절대강도나 인성 전체를 의미하지 않습니다.

연구진은 이들의 잠재적 적용 분야를 항공우주 분야의 초경량 부품으로 보고 있어 연료 수요와 비행 시 발생하는 높은 탄소 발자국을 감소시킬 수 있다고 전망합니다.

제1저자인 캘리포니아공과대학교 공학 연구자 피터 설스는 다음과 같이 말했습니다.

“머신러닝이 나노구조 재료를 최적화하는 데 처음 적용된 사례이며, 우리는 그 개선 폭에 충격을 받았습니다. 단순히 훈련 데이터의 성공적인 형상을 복제한 것이 아니라, 형태 변화가 작동했는지 여부를 학습해 완전히 새로운 격자 구조를 예측할 수 있게 되었습니다.”

AI 기반 소재 분석은 도시계획에도 활용되고 있습니다. 공동 연구⁵에서 베이징대학교와 남덴마크대학교 연구진은 딥러닝과 원격탐사를 결합해 건축 자재를 분류했습니다. 정확도는 사용한 영상, 지역, 학습 데이터에 따라 달라질 수 있습니다.

에너지 효율 외에도 AI는 환경 모니터링·보전, 주거·인프라 개발, 공공 안전·재난 대응 등 도시 계획 전반을 향상시킬 수 있습니다.

클릭하여 무블레이드 풍력 터빈, 즉 청정 에너지의 미래에 대해 알아보세요.

AI 기반 소재 발견 분야에 투자하기

AI 시장의 장기 규모에 대해서는 수조 달러에 이를 수 있다는 민간 전망이 있지만, 이는 불확실한 예측입니다. 소재과학용 AI에는 마이크로소프트와 구글의 모회사 알파벳을 비롯한 여러 기업과 연구기관이 참여하고 있습니다. 여기서는 알파벳을 살펴봅니다.

Alphabet Inc.

2023년 말 구글 딥마인드는 소재 탐색을 가속하는 AI 도구인 Graph Networks for Materials Exploration(GNoME)을 공개했습니다. 관련 논문⁶은 220만 개의 새로운 결정 구조 후보를 계산했다고 보고했습니다. (GOOG )

구글은 이 결과를 약 800년 분량의 지식에 해당한다고 표현했습니다. 220만 개 가운데 약 38만 개는 계산상 안정성이 높은 후보로 분류됐지만, 이는 모두가 실험적으로 합성됐거나 상용화 가능하다는 뜻은 아닙니다.

Gnome 모델은 그래프 신경망(GNN) 모델로, 입력 데이터를 그래프로 표현합니다. Gnome은 Materials Project의 결정 구조와 안정성 데이터를 학습해 새로운 후보 결정을 생성하고 그 안정성을 예측합니다.

구글은 밀도 범함수 이론(DFT)을 활용해 모델의 예측력을 반복 검증했으며, ‘활성 학습’ 방식을 통해 얻은 데이터를 모델에 다시 투입해 성능을 크게 향상시켰습니다. 

구글은 반복적인 활성학습 과정에서 안정성 예측의 적중률이 약 50%에서 80%로 높아졌다고 보고했습니다. 수치는 해당 연구의 데이터셋과 평가 절차에 따른 결과로, 모든 소재 문제에 그대로 적용되지는 않습니다.

논문 발표 시점까지 GNoME이 예측한 구조와 일치하는 물질 736개가 다른 연구에서 독립적으로 보고됐습니다. 구글은 로렌스버클리국립연구소와의 자동화 실험에서 41개 후보를 합성했다고 밝혔지만, 이는 전체 예측 후보 중 일부에 대한 검증입니다.

주가, 시가총액, 주가수익비율과 같은 시장 지표는 계속 변합니다. 투자자는 아래의 실시간 주가 정보와 최신 재무보고서를 확인하고, 소재 발견용 AI가 알파벳 전체 사업에서 차지하는 비중이 아직 제한적이라는 점도 고려해야 합니다.

알파벳은 2025년 3월 31일 종료된 1분기에 902억 달러의 매출과 희석주당 2.81달러의 순이익을 발표했습니다. 순다르 피차이 CEO는 실적이 성장세를 반영한다며 회사의 풀스택 AI 접근 방식을 강조했습니다. 이는 당시 분기의 회사 발표이며 향후 실적을 보장하지 않습니다.

알파벳(GOOG) 최신 주식 뉴스와 동향

결론

AI는 소재 후보를 탐색하고 설계를 최적화하는 방식을 바꾸고 있습니다. 일부 계산 단계는 수년이 아니라 수일 또는 수시간에 수행될 수 있지만, 소재를 합성하고 특성을 측정하며 안전성과 내구성을 검증하는 과정에는 여전히 상당한 시간이 필요합니다.

대규모 데이터셋, 고속 계산과 생성 모델을 결합하면 연구자가 더 많은 후보를 효율적으로 비교할 수 있습니다. 성과는 데이터 품질과 실험 검증에 달려 있으며, AI는 과학자의 판단과 실험을 보완하는 도구입니다.

클릭하여 환경 중심 청정 에너지 주식에 대해 알아보세요.

참고문헌:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabroadband and Band‑Selective Thermal Meta‑Emitters by Machine Learning. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Connecting Metal–Organic Framework Synthesis to Applications Using Multimodal Machine Learning. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. A Generative Artificial Intelligence Framework Based on a Molecular Diffusion Model for the Design of Metal–Organic Frameworks for Carbon Capture. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. Ultrahigh Specific Strength by Bayesian Optimization of Carbon Nanolattices. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. Urban Fabric Decoded: High‑Precision Building Material Identification via Deep Learning and Remote Sensing. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. Scaling Deep Learning for Materials Discovery. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9