빛을 제어하는 새로운 방법, 더 빠른 미래 컴퓨터를 위해

과학자들은 광자 컴퓨팅을 위해 포괄적인 빛 차단 기능을 제공할 수 있는 새로운 유형의 메타물질을 만들었습니다.

A 메타물질은 설계된 물질이며, 그 특성은 기본 구성 요소의 화학 조성에서 비롯되는 것이 아니라 신중하게 설계된 내부 구조에서 비롯됩니다. 따라서 이러한 물질은 자연계에 존재하지 않는 특이한 특성을 나타낼 수 있습니다.

이러한 물질은 일반적으로 금속과 플라스틱과 같은 여러 재료로 구성되며, 반복적인 서브파장 구조로 배열됩니다. 형태, 크기, 기하학, 방향 및 배열이 그 특성을 결정하여 전자기, 음향 또는 지진파를 흡수, 굴절, 강화 또는 차단함으로써 기존 재료로는 불가능한 이점을 제공합니다.

The 새로운 메타물질¹은 뉴욕 대학교 과학자들이 설계했으며, 액체와 결정에 일반적으로 연관된 특징을 결합하면서도 모든 각도에서 들어오는 빛을 차단하는 능력에서 두 가지를 모두 능가합니다.

새로운 기능적 무질서 물질 클래스인 Gyromorphs(자이로모프)라고 명명된 이 물질은 액체와 같은 무작위성에 대규모 구조적 패턴을 결합하여 모든 방향에서 빛을 차단합니다. 연구진은 다음과 같이 밝혔습니다:

“우리는 스펙트럼 최적화 방법을 사용해 2D와 3D에서 자이로모프를 생성했으며, 이들이 강한 이산 회전 질서를 보이지만 장거리 평행 이동 질서는 없으며, 충분히 큰 퐺에서는 짧은 거리에서 회전 등방성을 유지한다는 것을 확인했습니다.”

이 혁신을 통해 연구진은 과학자들을 괴롭혀 온 준결정 기반 설계의 한계를 해결했습니다. 또한 이는 광자 컴퓨팅의 발전을 촉진할 수 있습니다.

From Quasicrystals to Gyromorphs in Photonic Computing

광자 컴퓨팅에서는 전류 대신 광자를 사용해 연산을 수행합니다. 이 새로운 세대의 컴퓨터가 실현되면 기존 기계보다 훨씬 효율적이고 빠를 수 있습니다.

빛의 속도로 데이터 처리가 가능해지면 AI와 같은 고성능 작업에 큰 기대를 걸 수 있지만, 현재는 소형화와 비용 측면에서 어려움을 겪고 있습니다.

이 분야의 발전으로 고성능 컴퓨팅 서버에 통합할 수 있는 기능성 광자 칩이 개발되었습니다. 그러나 광자 기반 컴퓨팅은 아직 초기 단계에 머물러 있으며, 연구자들은 칩을 통과하는 미세한 빛 흐름을 제어하는 데 어려움을 겪고 있습니다.

이러한 미세 광신호를 약화시키지 않고 재배치하려면 정밀하게 설계된 물질이 필요합니다. 신호가 약해지지 않도록 하려면 하드웨어에 특수하고 가벼운 물질을 삽입해 어느 방향에서든 외부 빛이 들어오는 것을 방지해야 합니다.

이를 달성하기 위한 핵심 요소는 등방성 밴드갭 물질을 도입하는 것입니다. 이 물질은 주파수가 밴드갭 범위에 있으면 모든 방향에서 빛이나 다른 파동의 전파를 차단합니다. 이러한 물질은 무질서하면서도 초균일할 수 있는데, 이는 장거리 평행 이동 질서는 없지만 특정한 제어된 무작위성을 갖는다는 의미입니다.

등방성 밴드갭 물질을 설계할 때 연구자들은 오랫동안 준결정에 집중해 왔습니다.

전통적인 결정처럼 반복되지 않지만 수학적 규칙을 따르는 이러한 구조는 1980년대 초 다니엘 셰크트만이 처음 발견했으며, 2011년 화학 노벨상을 수상했습니다.

이 발견은 알루미늄과 망간을 연구하던 중 이루어졌습니다. 두 금속을 녹인 뒤 급속히 냉각하면 합금이 전자 현미경에서 10배 대칭을 보였는데, 이는 일반 금속과 같은 결정 구조에서는 나타나지 않는 특성입니다.

준결정은 다이아몬드와 같은 결정 구조의 특성을 가지면서도 유리와 같은 비정질 구조의 특성도 가지고 있어, 패턴이 반복되지 않는 동시에 내구성과 취성이라는 독특한 특성을 동시에 가집니다.

미시간 대학교의 연구에 따르면, 준결정은 무질서 고체와 유사하면서도 근본적으로 안정적인 물질²이라는 것이 밝혀졌습니다.

“우리는 원하는 특성을 가진 물질을 설계하려면 원자를 특정 구조로 배열해야 한다는 점을 알아야 합니다.”라고 연구 공동 저자인 웬하오 선(Dow Early Career Assistant Professor of Materials Science and Engineering)이 말했습니다. “준결정은 우리에게 특정 물질이 어떻게 형성될 수 있는지 재고하게 만들었습니다.”

왜 준결정이 존재하는지, 어떻게 형성되는지를 이해하려면 먼저 그들의 안정성을 파악해야 했습니다. 이를 위해 연구진은 준결정이 엔탈피에 의해 안정화되는지 엔트로피에 의해 안정화되는지를 판단해야 했으며, 이를 위해 작은 나노입자를 큰 시뮬레이션 블록에서 추출해 각각의 총 에너지를 계산했습니다.

연구진은 스칸듐-아연 합금과 이터븀-카드뮴 합금 모두가 엔탈피에 의해 안정화된다는 것을 발견했습니다.

계산을 위해 팀은 준결정의 양자역학 시뮬레이션을 활용했으며, 계산 병목 현상을 해결하기 위해 모든 프로세서가 서로 통신하는 대신 인접 프로세서만 통신하도록 하여 알고리즘을 최대 100배 빠르게 만들었습니다.

“우리는 이제 유리와 비정질 물질, 서로 다른 결정 사이의 계면, 그리고 양자 컴퓨팅 비트를 가능하게 하는 결정 결함을 시뮬레이션할 수 있습니다.”

– Vikram Gavini, 미시간 대학교 기계공학 및 재료과학 교수

다른 연구에서, 미국 국립표준기술연구소(NIST) 과학자들은 새로운 알루미늄-지르코늄 합금에서 준결정을 발견³했으며, 이는 3D 금속 프린팅의 극한 조건에서 형성되었습니다.

알루미늄 분말에 지르코늄을 첨가하면 고강도 알루미늄 합금을 프린팅할 수 있지만, NIST 팀은 이 금속이 왜 그렇게 강한지 이해하고 군용 항공기 부품과 같은 핵심 부품에 활용하고자 했습니다.

그 결과, 준결정이 강도 향상의 원인임을 확인했습니다. 알루미늄 결정의 규칙적인 패턴을 깨뜨리면 합금이 강화됩니다. 적절한 각도에서 관찰했을 때 팀은 매우 드문 5배 회전 대칭을 비롯해 2배와 3배 대칭도 발견했습니다.

이는 NIST 물리학자이자 공동 저자인 Fan Zhang가 “새로운 합금 설계 접근법을 열어줄 것”이라고 설명했으며, “준결정이 알루미늄을 강화한다는 연구 결과를 바탕으로 앞으로 의도적으로 합금에 포함시킬 가능성이 있다”고 덧붙였습니다.

Inside the Gyromorph Revolution: Isotropic Bandgap Materials

준결정은 큰 가능성을 가지고 있습니다. 완전히 빛을 차단할 수 있는 능력이 있지만, 제한된 방향에서만 가능합니다. 모든 방향에서 빛을 약화시킬 수는 있지만 완전히 차단하지는 못합니다.

이 한계를 극복하기 위해 과학자들은 신호를 약화시키는 빛을 보다 효과적으로 차단할 수 있는 대안을 찾고 있습니다. 이 과정에서 개발된 자이로모프는 어느 방향에서든 외부 빛이 들어오는 것을 방지하는 물질을 만들 수 있게 해줍니다. 연구의 선임 저자인 스테파노 마르티아니(물리·화학·수학·신경과학 조교수)는 다음과 같이 말했습니다:

“자이로모프는 기존 접근법으로는 얻을 수 없는 더 나은 등방성 밴드갭 물질을 제공하는 독특한 구조를 가지고 있습니다.”

하지만 이러한 물질을 설계할 때 가장 큰 장애물은 원하는 물리적 특성을 얻기 위해 필요한 구조적 배열입니다.

Physical Review Letters에 발표된 뉴욕 대학교 연구진의 새로운 전략⁴이 광학 거동을 조정하는 방법을 상세히 설명했습니다.

팀은 내재된 무질서를 가진 기능성 구조를 생성할 수 있는 알고리즘을 개발했습니다. 팀이 밝힌 새로운 형태의 “상관 무질서”는 완전 질서와 완전 무작위 사이에 위치합니다.

“숲속의 나무를 생각해 보세요—무작위 위치에 자라지만 완전히 무작위는 아닙니다. 나무들은 보통 일정 거리만큼 떨어져 있습니다. 이 새로운 패턴인 자이로모프는 서로 호환되지 않을 것이라 생각했던 특성을 결합하고, 모든 질서 있는 대안을 능가하는 기능을 보여줍니다.”

– Martiniani

연구 중 팀은 모든 등방성 밴드갭 물질이 동일한 구조적 서명을 보인다는 것을 관찰했고, 이를 최대한 두드러지게 만들기 위해 자이로모프를 개발했습니다.

새로운 물질 클래스의 주 저자인 매티아스 카시울리스(NYU 물리학 박사후 연구원)는 “고정된 반복 구조가 없는 결정과 같은 구조가 없기 때문에 겉보기에 무질서하지만, 멀리서 보면 규칙적인 패턴을 형성한다”고 설명했습니다.

“이러한 특성은 빛 파가 어느 방향에서도 침투할 수 없는 밴드갭을 생성하는 데 함께 작용합니다.”

– Casiulis

팀은 또한 다양한 길이 스케일에서 여러 회전 대칭을 가진 “폴리자이로모프”를 도입해 하나의 구조 안에서 다중 밴드갭을 형성하도록 하여 광학 특성을 정밀하게 제어할 수 있는 길을 열었습니다.
Swipe to scroll →

AI and Next-Generation Quantum Materials in Discovery

연구자들이 차세대 물질을 탐구함에 따라 완전히 새로운 물질 클래스가 등장하고 있습니다.

최근 에너지부 베르클리 랩이 주도한 연구팀이 베르클코인⁵이라는 유기금속 분자를 발견했으며, 이는 합성된 방사성 원소 베르켈륨을 포함합니다.

이 분자는 금속 이온이 탄소 기반 골격으로 둘러싸인 구조이며, 초기 액티니드 원소에서는 비교적 흔하지만 후기 원소에서는 거의 알려지지 않았습니다.

“베르켈륨과 탄소 사이에 화학 결합이 형성된 최초의 증거를 얻었습니다. 이 발견은 베르켈륨 및 기타 액티니드가 주기율표에서 동료 원소와 어떻게 행동하는지에 대한 새로운 이해를 제공합니다.”라고 공동 저자인 스테판 미나시안(베르클리 랩 화학 과학 부서)이 말했습니다.

액티니드는 주기율표 f-블록에 위치한 15개의 방사성 금속 원소이며, 우라늄과 플루토늄이 대표적인 예입니다. 이들은 방사성 특성으로 알려져 있으며 원자력 발전소 등에서 사용됩니다.

지난해 스웨덴 울프살라 대학교와 미국 컬럼비아 대학교 연구진이 CeSiI라는 2D 양자 물질⁶을 발견했으며, 이는 세륨, 실리콘, 아이오딘으로 구성된 결정 구조를 가지고 있습니다. 이 구조는 서로 다른 원자 얇은 층이 2차원으로 배열된 형태와 유사합니다.

CeSiI의 전자는 무거운 페르미온으로 작용하며, 일반 물질보다 최대 100배 높은 유효 질량을 가집니다. 이 유효 질량은 이방성으로, 전자가 원자층 내에서 이동하는 방향에 따라 달라집니다.

“이 발견으로 우리는 상관 전자 구조를 연구하기 위한 물질 플랫폼을 크게 개선했습니다. 2D 물질은 레고 조각처럼 조합할 수 있습니다. 파트너들은 이미 다른 2D 물질의 층을 추가해 맞춤형 양자 특성을 가진 새로운 물질을 만들고 있습니다.”

– Chin Shen Ong, 울프살라 대학 물리·천문학부

재료 과학에서는 무한한 가능성이 존재하며, 올바른 물질을 선택하는 것이 새로운 발견을 위한 핵심 장벽입니다. 이론 기반 예측과 실험 기반 검증이 선택을 돕지만, 여전히 파편화된 상태였습니다.

이때 AI 기반 재료 정보학이 등장해 양자 규모 통찰과 방대한 데이터셋을 결합, 전통적인 시행착오 방식으로는 불가능한 새로운 물질을 빠르게 스크리닝, 모델링, 최적화합니다.

동북 대학 연구팀은 AI 기반 재료 지도⁷를 구축해 모든 실험 데이터를 대표적인 일차 원리 계산 데이터와 통합했으며, 이를 통해 특정 상황에 맞는 적절한 물질을 찾는 데 도움을 주고자 했습니다.

이 지도는 구조적 유사성과 열전 성능(zT)을 축으로 하는 대형 그래프로, 각 데이터 포인트는 하나의 물질을 나타냅니다. 유사한 물질은 가까운 위치에 배치됩니다. 이러한 물질들은 보통 유사한 합성 방법과 장치를 사용해 평가되므로, 실험자는 고성능 물질의 유사체를 빠르게 발견하고 기존 합성 프로토콜을 다음 단계로 재활용할 수 있습니다.

이러한 도구는 개발 비용을 절감하고 혁신과 실용화 속도를 가속화합니다. 향후 팀은 열전재료를 넘어 토폴로지 및 자기 물질까지 포함하고, 추가 설명자를 도입해 포괄적인 AI 지원 재료 설계 지원 플랫폼을 구축할 계획입니다.

“다수 후보에 대한 직관적인 조감도를 제공함으로써 연구자는 한눈에 유망 목표를 선택할 수 있어, 새로운 기능성 물질 개발 일정이 크게 단축될 것으로 기대됩니다.”

– Yusuke Hashimoto 부교수

한편, 고텐버그 대학 연구팀은 AI 모델을 개발해 직조 복합재의 강도와 내구성을 효율적으로 판단⁸하도록 했습니다.

섬유가 서로 얽히고 물질이 받는 힘에 따라 다르게 거동하는 직조 섬유 복합재를 설계하기 위해 물리적 테스트와 정밀 컴퓨터 시뮬레이션을 수행하는 것은 특히 어렵습니다. 이는 물질이 받는 외부 힘에 따라 섬유가 서로 감싸는 방식이 달라지기 때문입니다.”라고 고텐버그 대학 물리학과 박사과정 학생 에산 가네가 설명했습니다.

컴퓨터가 물질 간 상호작용을 기반으로 현실적인 미세구조를 시뮬레이션할 수 있지만, 직조 복합재는 여전히 막대한 계산 자원을 요구합니다. 신경망은 대안이 될 수 있지만 많은 학습 데이터가 필요하고 외삽에 어려움을 겪습니다. 따라서 팀은 데이터 요구량이 적은 일반화된 AI 모델을 개발했습니다.

이 모델은 기존 시뮬레이션 및 테스트 데이터를 학습해 새로운 복합재의 내구성을 예측합니다.

고텐버그 연구와는 별도로, KAIST 연구팀은 물리 법칙을 AI 모델에 결합해 데이터가 부족하거나 노이즈가 많은 상황에서도 새로운 물질을 빠르게 탐색할 수 있게 했습니다.

물성 식별은 새로운 물질 개발의 핵심 단계이지만, 방대한 실험 데이터와 고가 장비가 필요해 연구 효율을 제한합니다. KAIST 팀은 물질 변형 및 상호작용을 지배하는 법칙을 AI 모델에 통합해 이 문제를 해결했습니다.

연구진은 물리 기반 신경망(PINN) 기법⁹을 보고했으며, 이는 소량의 단일 실험 데이터만으로 물성 및 변형 거동을 감지합니다. 이후 물리 법칙을 이해하고 보이지 않는 물질에도 일반화할 수 있는 AI 모델인 Physics-Informed Neural Operator(PINO)를 도입했습니다.

MIT 연구진은 다중 소스 정보를 통합하는 방법¹⁰을 개발해 문헌, 화학 조성, 미세구조 이미지 등을 결합했습니다.

이 방법은 새로운 Copilot 플랫폼의 일환으로 Real-world Experimental Scientists(CRESt)를 위해 고안되었습니다. 로봇 장비를 활용해 고속 물질 테스트를 수행하고, 결과를 대규모 멀티모달 모델에 피드백해 레시피를 개선합니다.

연구진은 이 “인간 연구자를 대체하는 것이 아니라 보조하는” 접근법을 사용해 900가지 이상의 화학 조합을 탐색하고 3,500개의 전기화학 테스트를 수행해 연료 전지에서 기록적인 전력 밀도를 제공하는 촉매 물질을 발견했습니다.

Investing in Materials Science Advancement

재료 과학 분야에서 ATI Inc. (ATI )는 기술적으로 진보된 특수 재료와 복합 부품으로 알려져 있습니다. 이 회사는 항공우주, 방위, 의료, 전자 및 에너지 시장을 위한 고성능 재료를 생산합니다.

ATI의 제품은 니켈 기반 합금 및 초합금, 티타늄 및 티타늄 기반 합금, 특수 합금으로 제작됩니다. 회사는 두 개 부문을 통해 운영됩니다:

• High Performance Materials & Components (HPMC)
• Advanced Alloys & Solutions (AA&S)

시가총액 135억 달러, 현재 주가는 99.37달러이며, 올해 80.5% 상승했습니다. EPS(TTM)는 3.10, P/E(TTM)는 32.09이며, 배당 수익률은 0.32%입니다.

분기당 주당순이익은 0.78달러이며, 조정 주당순이익은 0.85달러였습니다.

“우리는 3분기에 가이던스를 초과 달성했으며, 강력한 조정 순이익과 영업 현금 흐름을 기록했습니다. 핵심 시장에서 긍정적인 수요 신호가 지속되고 있으며, 고객이 성장 목표를 달성하기 위해 가동을 확대하고 있습니다. 우리는 미국 및 동맹국에 중요한 방위 관련 사업을 차별화된 제품 믹스로 확대할 준비가 되어 있습니다.”

– CEO Kimberly A. Fields

Latest ATI Inc. (ATI) Stock News

Conclusion: Why Gyromorphs Matter for Photonics and Investors

재료 과학은 기술 발전의 핵심이며, AI에 의해 가속화되고 있습니다. 실험가, 이론가, 머신러닝 시스템의 융합은 발견에서 적용까지의 시간을 크게 단축시켜, 수십 년이 걸리던 재료 식별, 시뮬레이션, 최적화를 빠르게 수행할 수 있게 합니다.

이러한 흐름 속에서 자이로모프의 발견은 눈에 띄는 이정표입니다. 무질서와 패턴을 결합한 이 새로운 물질 클래스는 빛에 대한 전례 없는 제어를 가능하게 하며, 광자 컴퓨팅의 다음 큰 도약을 열어줄 잠재력을 가지고 있습니다.

References

1. Casiulis, M., Shih, A., & Martiniani, S. “Gyromorphs: A New Class of Functional Disordered Materials.” Physical Review Letters 135(19) (2025). https://doi.org/10.1103/gqrx-7mn2
2. Baek, W., Das, S., Tan, S., Gavini, V., & Sun, W. Quasicrystal stability and nucleation kinetics from density functional theory. Nature Physics 21, 980–987 (2025). https://doi.org/10.1038/s41567-025-02925-6
3. Liu, Y., Zhang, H., Zhou, X., & Chen, Y. “Catalytic performance of novel mixed-metal oxides for CO₂ hydrogenation.” Applied Catalysis B: Environmental 330 (2025). https://doi.org/10.1016/S0925-8388(25)01839-0
4. Casiulis, M., Shih, A., & Martiniani, S. Gyromorphs: A New Class of Functional Disordered Materials. Physical Review Letters 135, 196101 (2025). https://doi.org/10.1103/gqrx-7mn2
5. Russo, D. R., Gaiser, A. N., Price, A. N., Sergentu, D-C., Wacker, J. N., Katzer, N., Peterson, A. A., Branson, J. A., Yu, X., Kelly, S. N., Ouellette, E. T., Arnold, J., Long, J. R., Lukens, W. W., Jr., Teat, S. J., Abergel, R. J., Arnold, P. L., Autschbach, J., & Minasian, S. G. Berkelium–carbon bonding in a tetravalent berkelocene. Science 387(6737), 974–978 (2025). https://doi.org/10.1126/science.adr3346
6. Posey, V. A., Turkel, S., Rezaee, M., Devarakonda, A., Kundu, A. K., Ong, C. S., Thinel, M., Chica, D. G., Vitalone, R. A., Jing, R., Xu, S., Needell, D. R., Meirzadeh, E., Feuer, M. L., Jindal, A., Cui, X., Valla, T., Thunström, P., Yilmaz, T., Vescovo, E., Graf, D., Zhu, X., Scheie, A., May, A. F., Eriksson, O., Basov, D. N., Dean, C. R., Rubio, A., Kim, P., Ziebel, M. E., Millis, A. J., Pasupathy, A. N. & Roy, X. Two-dimensional heavy fermions in the van der Waals metal CeSiI. Nature 625, 483-488 (2024). https://doi.org/10.1038/s41586-023-06868-x
7. Hashimoto, Y., Jia, X., Li, H., & Toma, T. “A materials map integrating experimental and computational data via graph-based machine learning for enhanced materials discovery.” APL Machine Learning 3(3), 036104 (2025). https://doi.org/10.1063/5.0274812
8. Ghane, E. Learning from Data and Physics for Multiscale Modeling of Woven Composites. PhD thesis, University of Gothenburg, 2025. https://hdl.handle.net/2077/85666
9. Moon, H., Park, D., Cho, H.-K., Noh, H.-K., & Ryu, S. Physics-informed neural network-based discovery of hyperelastic constitutive models from extremely scarce data. Computer Methods in Applied Mechanics and Engineering 446, 118258 (2025). https://doi.org/10.1016/S0045782525005304
10. Zhang, Z., Ren, Z., Hsu, C.-W., Chen, W., Hong, Z.-W., Lee, C.-F., Penn, A., Xu, H., Zheng, D. J., Miao, S., Huang, Y., Gao, Y., Chen, W., Smith, H., Niu, Y., Tian, Y., Lu, Y.-R., Shao, Y.-C., Li, S., Wang, H.-T., Abate, I. I., Agrawal, P., Shao-Horn, Y., & Li, J., A multimodal robotic platform for multi-element electrocatalyst discovery. Nature 647, 390–396 (2025). https://doi.org/10.1038/s41586-025-09640-5