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

AI-Powered Materials for Climate-Resilient Urban Design

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

이 프레임워크를 활용해 과학자들은 실제로 1,500개 이상의 새로운 재료를 생성했으며, 이들은 열을 선택적으로 방출하도록 제어할 수 있습니다. 또한 난방·냉방 정확도가 향상되어 에너지 효율이 크게 개선됩니다.

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 아키텍처는 두 가지 설계 능력을 제공합니다. 첫째, 스펙트럼 맞춤을 위한 다양한 메타 구조와 재료 조합의 역설계를 자동화합니다. 둘째, 전통적인 평면 2D 구조의 한계를 뛰어넘는 3평면 모델링 방식을 적용해 서로 다른 3D 메타 방출체를 설계하는 “전례 없는 능력”을 보유합니다. 

연구팀은 현재의 고급 설계를 능가하는 우수한 광학·복사 냉각 성능을 보여주는 7가지 개념 증명 메타 방출체를 제시했습니다. 이 7가지 메타 방출체는 특정 기능에 맞게 맞춤화되었습니다.

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. 

메타 방출체 재료 중 하나를 모델 주택의 지붕에 적용했습니다. 그 냉각 능력을 분석하기 위해 기존 상업용 흰색 및 회색 페인트와 비교했으며, 4시간 동안 정오 직사광선을 받은 후 새 재료는 전통적인 페인트보다 평균 5~20도 섭씨 낮았습니다.

이를 바탕으로 연구팀은 방콕과 같은 고온 도시의 아파트 건물에서 연간 약 15,800 kWh의 냉방 비용을 절감할 수 있을 것으로 추정했습니다. 표준 에어컨은 연간 약 1,500 kWh를 소비합니다.

따라서 이 재료는 주거 및 상업용 에너지 절감에 활용될 수 있습니다. 도시에서는 햇빛을 반사하고 목표 파장에서 열을 방출함으로써 온도를 낮추어 도시 열섬 현상을 완화할 수 있습니다.

하지만 그 활용 범위는 여기서 끝나지 않습니다. 이 재료는 우주 응용에서도 효율적으로 태양 복사를 관리하고 방출 열을 조절해 우주선 온도 조절에 기여할 수 있습니다.

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.

많은 장점에도 불구하고 이러한 재료는 설계 과정이 복잡하고, 자동화 옵션조차 3D 계층 구조를 다루는 데 어려움을 겪어 주류 채택에 이르지 못했습니다. 하지만 최신 AI 프레임워크가 이를 최종적으로 변화시킬 수 있습니다.

“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

How AI Accelerates Discovery of New Materials

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.

수십 년 동안 우리는 유리한 특성을 가진 새로운 무기 재료를 찾기 위해 시행착오 방식을 사용해 왔습니다. 이 방식은 수십만 시간에 달하는 실험을 필요로 하며, 잠재적인 새로운 재료 몇 개만을 식별·합성하는 데에 큰 자원을 소모합니다.

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.

그리고 이제 AI의 등장은 재료 과학 분야에 혁명을 일으키며 계산 접근 방식을 가속화하고 있습니다. 원하는 재료 특성과 제약 조건을 제공하면 생성 AI 시스템이 완전히 새로운 재료를 창조할 수 있게 되었습니다.

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 개발 시간을 크게 단축하고 인적·재료 자원을 절감할 뿐만 아니라 복잡하고 다양한 시장 요구 사항을 정확히 충족시킬 수 있습니다.

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.

Breakthroughs in AI-Driven Materials Discovery

토론토 공대 연구진은 새로운 도구²를 최근 도입해 새로운 재료가 어떻게 활용될 수 있는지를 예측함으로써 재료 발견과 적용 사이의 시차를 줄이고자 했습니다.

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 아르곤 국립연구소 연구진은 생성 AI 확산 모델을 활용해 120,000개 이상의 MOF 후보³를 단 30분 남짓한 시간에 슈퍼컴퓨터로 생성했습니다. 수정된 신경망은 364개의 고성능 MOF 후보로 후보 수를 줄였습니다.

몇 일 더 추가적인 계산 분석을 거쳐 팀은 데이터셋에서 102개의 안정적인 MOF를 발견했으며, 이 중 6개는 hMOF 데이터베이스에서 상위 5%에 해당하는 CO₂ 저장 용량을 보였습니다.

또 다른 사례로, 과학자들은 AI를 활용해 스티로폼만큼 가볍지만 탄소강만큼 강한 완전 새로운 나노재료⁴를 설계했습니다. 

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 프린터를 사용해 이러한 형태를 구현했으며, 이들은 입방미터당 킬로그램당 2.03 메가파스칼(MPa)의 응력을 견디며 티타늄보다 5배 높은 강도를 보였습니다.

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

According to first-author Peter Serles, an engineering researcher at Caltech:

“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 재료 발견은 도시 계획에도 광범위하게 활용되고 있습니다. 협업 연구⁵에 따르면, 베이징 대학과 남덴마크 대학이 개발한 고급 프레임워크는 딥러닝과 원격 감지를 결합해 건축 재료를 전례 없는 정밀도로 식별합니다.

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.

Investing in AI-based Material Discovery

AI 투자 잠재력을 살펴보면 시장 규모가 향후 수조 달러에 이를 것으로 예측됩니다. 재료 과학 분야에서 이 기술을 선도하는 기업으로는 마이크로소프트와 구글(Alphabet Inc.)이 눈에 띕니다. 이 두 기업은 재료 연구의 규모와 정밀성을 높이기 위한 자체 모델을 출시했으며, 본 기사에서는 Alphabet Inc.에 초점을 맞춥니다.

Alphabet Inc. (GOOG )

2023년 말, 구글 딥마인드는 재료 탐색을 가속화하기 위한 AI 도구인 Graph Networks for Materials Exploration (Gnome)을 공개했습니다. 당시 이 도구는 보고된 바⁶ 220만 개의 새로운 결정 구조를 발견했습니다.

구글은 이를 “약 800년 분량의 지식에 해당하며, 예측 정확도와 규모 면에서 전례 없는 수준”이라고 밝혔습니다. 새로 발견된 결정 구조 중 38만 개는 안정적인 물질로, 실험 합성 후보이자 차세대 기술에 활용될 가능성이 높습니다.

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. 

구글에 따르면 모델의 안정성 예측 정확도는 50%에서 80%로 상승했으며, 효율성도 10% 이하에서 80% 이상으로 확대되었습니다.

또한, Gnome이 예측한 약 736개의 물질이 외부 연구진에 의해 독립적으로 합성되었으며, 구글은 로렌스 버클리 국립연구소와 협력해 41개의 새로운 물질을 합성해 도구의 예측력과 자율 실험의 힘을 검증했습니다.

이제 시가총액 2.2조 달러 규모 기업의 실적을 살펴보면, 현재 주가는 약 $182이며 연초 대비 3.86% 하락했습니다. EPS(TTM)는 8.97, P/E(TTM)는 20.29이며 배당 수익률은 0.46%입니다.

기업 재무 측면에서 구글의 모회사 Alphabet은 2025년 3월 31일 종료된 1분기 매출이 902억 달러이며, 주당 순이익은 $2.81이라고 발표했습니다. CEO 순다르 피차이는 “건강한 성장과 모멘텀을 반영한다”며 “우리의 독특한 풀스택 AI 접근 방식이 이 성장을 뒷받침한다”고 강조했습니다.

Latest Alphabet Inc. (GOOG) Stock News and Developments

Conclusion

AI는 우리의 삶 전반을 변화시키고 있으며, 미래를 형성하는 재료 설계에도 큰 영향을 미치고 있습니다. 기술이 재료 과학에 통합됨으로써 수년이 걸리던 발견이 이제는 며칠 혹은 몇 시간 안에 이루어지는 진정한 패러다임 전환을 이루었습니다.

간단히 말해, AI는 방대한 데이터셋, 고속 처리, 생성 모델을 활용해 연구자들이 전례 없는 효율성과 정밀도로 새로운 재료를 예측·설계·최적화하도록 돕고 있습니다.

클릭하여 환경 중심 청정 에너지 주식에 대해 알아보세요.

References:

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