구글 딥마인드 'GNoME', 38만 개 신소재 결정 구조 예측

사람이 모두 퇴근한 실험실에서 로봇 팔들이 쉴 새 없이 움직입니다. 한쪽 팔이 분말을 계량해 섞으면 다른 팔이 레일을 타고 움직이며 고온 전기로를 조작합니다. 밤새 새로운 배터리 소재를 굽고 있는 로봇 자율 연구실의 풍경입니다.

구글 딥마인드가 새로운 결정 구조를 예측하는 AI 프로그램 GNoME을 공개하며 네이처에 논문을 실었습니다. GNoME이 설계한 신소재 후보는 무려 220만 개에 달하며, 이 중 분해되거나 폭발하지 않고 안정적으로 존재할 수 있다고 예측된 물질만 38만 개에 이릅니다. 인류가 수천 년 동안 축적해 온 안정적 소재의 수를 단숨에 10배 가까이 늘린 셈입니다.

직관의 한계를 깬 능동 학습

그동안 신소재 탐색은 연구자의 직관과 끝없는 시행착오에 기대왔습니다. 에디슨이 대나무 섬유를 찾기까지 수천 번 탄소 필라멘트를 시험했던 것처럼, 인간은 늘 익숙한 원소와 구조에 갇히는 경향이 있었습니다.

딥마인드는 머터리얼스 프로젝트의 데이터를 학습한 그래프 신경망과 양자역학 밀도범함수이론 계산을 결합해 이 편향을 깨뜨렸습니다. AI는 주기율표 전체를 조합하며 사람이 직관적으로 떠올리기 힘든 5개 이상의 원소로 이뤄진 복잡한 결정 구조까지 안정 상태로 계산해 냈습니다.

17일 동안 41개 합성, 성공률 71%

컴퓨터 화면 속 수식이 아무리 완벽해도 실험실에서 만들어내지 못하면 소용이 없습니다. 로렌스 버클리 국립연구소의 자율 실험실 A-Lab은 GNoME이 내놓은 후보 중 58개를 무작위로 골라 실제 합성에 들어갔습니다.

로봇들은 반응이 실패하면 배합비를 스스로 수정해가며 17일 동안 실험을 이어갔고, 그 결과 58개 중 41개 물질을 실제로 합성하는 데 성공했습니다. 성공률은 71%에 달했습니다.

하지만 학계 일각에서는 회의적인 시선도 나옵니다. 유타 대학교의 테일러 스파크스 교수는 AI가 수십만 개의 가상 물질을 무차별적으로 쏟아내도 실제 실험실의 합성 속도가 이를 따라갈 수 없다고 지적했습니다. 특정 성능에 맞춰 표적 탐색을 하지 않는다면 연구 현장에 혼란만 더할 수 있다는 비판입니다.

왜 중요한가

이번 성과는 재료과학 분야의 알파폴드 모먼트라고 부를 만합니다. 딥마인드 연구진이 직접 언급했듯, 과거 알파폴드 성공 이후 신약 개발 전문 자회사 아이소모픽 랩스를 세웠던 방식이 이번에는 배터리와 초전도체 같은 물리 소재 분야에서도 재현될 가능성이 큽니다.

배터리와 반도체를 개발하는 현장 연구자들에게 이번 데이터베이스 공개는 엄청난 실질적 가치를 줍니다. 차세대 전고체 전해질이나 고효율 태양전지 후보를 찾기 위해 몇 년씩 소모하던 사전 검토 과정을 검색 몇 번으로 단축할 수 있기 때문입니다.

다만 우리가 보기에 가장 큰 병목은 여전히 물리적 현실입니다. 이론적으로 안정적인 것과 대량 생산이 가능한 것은 완전히 다른 문제입니다. 값비싼 희귀 원소가 필요하거나 극단적인 실험 환경이 요구되는 물질은 당장 상용화하기 어렵습니다. 또한 전해질이 실제 배터리 셀 안에서 다른 소재와 반응해 부작용을 일으킬지 여부는 현재 AI로도 완전히 예측하기 힘듭니다.

결국 승부처는 누가 더 많은 가상 결정을 만드느냐가 아니라, 자율 로봇 실험실과 결합해 유용한 물질을 얼마나 빠르고 저렴하게 공장 라인에 올리느냐로 옮겨갈 것으로 보입니다.