당신이 집을 지으려고 한다고 상상해 보세요. 하지만 똑같은 벽돌을 가지런히 쌓는 대신, 새둥지나 산호초처럼 돌, 나뭇가지, 잎사귀들이 뒤섞인 무질서하고 아름다운 더미를 사용하여 집을 만들고 싶어 합니다. 이것이 바로 "무질서한 메타물질(disordered metamaterials)"의 세계입니다. 규칙적인 격자 구조의 재료들은 설계하기 쉽지만, 할 수 있는 일에 한계가 있습니다. 반면 자연은 '무질서함'의 기술을 마스터했습니다. 당신의 뼈나 잎맥을 생각해 보세요. 그것들은 완벽한 격자가 아닙니다. 그것들은 매우 강하고 유연하며 균열이 퍼지는 것을 막아주는 무작위적이고 불규칙한 네트워크입니다. 과학자들은 부드러운 로봇이나 의료용 임플란트와 같은 초강력 재료를 만들기 위해 이 "무질서한 마법"을 모방하기를 오랫동안 원해 왔습니다. 하지만 문제가 하나 있습니다. 이러한 무작위 패턴을 설계하는 것은 악몽과 같습니다. 기존의 수동 방식은 너무 경직되어 있고, 인공지능을 사용하는 새로운 방식은 학습을 위해 수천 개의 예시가 필요하며, 일단 하나의 패턴을 학습하면 새로운 모양이나 크기에 맞춰 다시 시작하지 않고는 쉽게 적응할 수 없습니다.

이 논문은 자연이 실제로 무언가를 만드는 방식에서 영감을 얻은, 이 새로운 형태의 재료를 '성장시키는' 영리한 방법을 소개합니다. 최종 결과물을 그리려고 노력하는 대신, 연구진은 컴퓨터에게 "성장의 규칙"을 가르쳤습니다. 로봇에게 특정 잎사귀를 그리는 법을 가르치는 것이 아니라, 잎사귀가 세포 단위로 어떻게 자라며 주변 이웃에게 어떻게 반응하는지를 배우도록 가르치는 것과 같습니다. 그 결과, 이 시스템은 단 하나의 무질서한 구조 예시로부터 그 구조의 국소적 성장 규칙을 학습하여, 어떤 형태에서든, 어떤 모양으로도 그 재료를 성장시킬 수 있으며, 심지어 그 특성을 즉석에서 변경할 수도 있습니다. 이는 마치 디지털 씨앗이 숲, 뼈, 혹은 거미줄으로 자라날 수 있고, 다시 그 숲을 다리(bridge)로 변형시킬 수 있는 것과 같으며, 이 과정에서 씨앗을 다시 심거나 새로운 언어를 배울 필요가 없는 것과 같습니다.

디지털 정원사: 그리는 것이 아닌, 성장하는 법을 배우다

여기 핵심 아이디어는 "그리기"에서 "성장하기"로의 전환입니다. 전통적인 AI 기반 재료 설계 방식은 사진의 모든 픽셀을 하나하나 암기하여 걸작을 그리려는 것과 같습니다. 만약 약간 다른 사진을 원한다면, 새로운 사진을 다시 암기해야 합니다. 이 새로운 방법인 신경 세포 자동자(Neural Cellular Automata, NCA)는 정원사에게 식물이 자라는 규칙을 가르치는 것과 더 비슷합니다. 당신이 정원사에게 잎사귀 사진 한 장을 보여주면, 정원사는 다음과 같은 국소적 상호작용을 배웁니다. "만약 여기의 세포가 고체라면, 그리고 이웃이 비어 있다면, 연결하기 위해 조금 더 자라야겠구나."

연구진은 단 하나의 템플릿만을 사용하여 모델을 훈련시켰습니다(one-shot 접근법). 수천 장의 이미지를 입력한 것이 아닙니다. 대신, 모델이 잎맥과 같은 단 하나의 무질서한 구조 예시를 관찰하고, 그것이 어떻게 형성되었는지에 대한 근본적인 "레시피"를 찾아내도록 했습니다. 모델은 각 작은 세포가 오직 자신의 즉각적인 이웃하고만 소통하는 단순한 국소적 규칙으로부터 구조가 나타난다는 것을 학습했습니다. 일단 모델이 이 레시피를 학습하고 나면, 빈 도화지 상태에서부터 동일한 유형의 구조를 반복해서 성장시킬 수 있습니다.

마법의 리모컨: 성장을 조절하다

이 부분이 정말 재미있는 부분입니다. 보통 재료를 한 방향으로는 더 강하게, 다른 방향으로는 더 얇게 만들고 싶다면 설계 단계로 돌아가 AI를 다시 훈련시켜야 합니다. 하지만 이 논문은 그럴 필요가 없음을 보여줍니다. AI가 성장의 규칙(편미분 방정식이라 불리는 수학적 방정식과 유사함)을 학습했기 때문에, 연구진은 재학습 없이도 성장 과정의 "입력값"을 미세하게 조정하여 결과를 조려낼 수 있습니다.

그들은 재료를 위한 '리모컨' 역할을 하는 네 가지 "조종 메커니즘"을 구축했습니다:

1. 방향성(Orientation): 전체 패턴을 회전할 수 있습니다. 만약 잎맥이 수직으로 자라고 있었다면, 세포들이 이웃을 감지하는 "센서"를 회전시킴으로써 패턴이 수평으로 자라도록 명령할 수 있습니다.
2. 이방성(Anisotropy, 방향성 강도): 패턴을 늘릴 수 있습니다. 재료를 한 방향으로는 매우 강하게, 다른 방향으로는 더 약하게 만들어 응력을 처리하는 방식을 효과적으로 바꿀 수 있습니다.
3. 스케일(Scale): 확대하거나 축소할 수 있습니다. 재료의 미세한 특징들을 더 작게 혹은 더 크게 만들어, 근본적인 스타일은 유지하면서 질감을 바꿀 수 있습니다.
4. 두께(Thickness): "구조물"이나 "맥"을 더 두껍게 혹은 더 얇게 만들 수 있으며, 이는 재료의 강성(stiffness)을 직접적으로 변화시킵니다.

연구진은 이 제어 장치들을 조합하고 섞음으로써, 단 하나의 원래 템플릿으로부터 엄청나게 다양한 새로운 재료들을 만들어냈음을 보여주었습니다. 그들은 이 가상의 노브(knob)들을 돌리는 것만으로 재료의 강성이 거의 3자릿수(1,000배) 차이까지 변할 수 있음을 보여주며, 10,000개 이상의 서로 다른 변형을 생성해 냈습니다.

어떤 형태에서도 성장하기: 3D 전이

3D 프린팅과 재료 설계에서 가장 큰 골칫거리 중 하나는, 평평한 정사각형 격자에서 설계된 디자인이 무릎 임플란트나 로봇 팔과 같은 곡면에 적용하려고 하면 깨져버린다는 점입니다. 대부분의 AI 모델은 평평한 격자에 갇혀 있습니다.

이 논문은 "성장 규칙"이 보편적이라는 사실을 깨달음으로써 이 문제를 해결했습니다. 연구진은 평평한 정사각형 격자에서 훈련된 모델을 복잡하고 곡선적인 3D 표면 메쉬(mesh)로 즉시 전이할 수 있음을 보여주었습니다. 그들은 AI를 재학습시킨 것이 아니라, AI가 이웃을 "보는" 방식을 바꾸었습니다. 고정된 픽셀 격자를 보는 대신, AI는 국소적 기하학(마치 산 위의 등반가가 주변의 경사를 보는 것과 같은 방식)을 사용하여 곡면을 보도록 학습했습니다.

이를 통해 복잡한 3D 형상 위에서도 동일한 무질서한 미세구조를 성장시킬 수 있었으며, 특유의 아름답고 무작위적인 질감을 유지할 수 있었습니다. 이는 마치 평평한 격자에서 자라도록 훈련된 덩굴 식물에게 "이제 이 둥근 공 위에서 자라라"고 말하면, 덩굴이 완벽하게 곡선을 따라 휘감기며 자라는 것과 같습니다.

비동기적 성장: 치유와 건설

이 논문은 또한 "비동기적 성장(asynchronous growth)"이라는 개념을 도입합니다. 자연에서 상처는 신체의 나머지 부분은 그대로 둔 채, 결여된 부분에만 새로운 조직을 성장시켜 치유됩니다. 연구진은 AI가 이와 똑같이 작동하도록 프로그래밍했습니다. 그들은 모델에게 특정 결손 부위에만 "성장"하도록 명령할 수 있으며, 이때 주변 영역은 고정된 상태를 유지합니다. 새로운 성장은 기존 재료와 매끄럽게 연결되어 완벽한 수리를 수행합니다.

연구진은 뼈의 일부에 구멍이 난 상황을 시뮬레이션하고 AI가 그 간극을 채우도록 "성장"시키는 과정을 통해 이를 입증했습니다. 결과는 단순히 위에 덧붙인 패치가 아니었습니다. 그것은 새로운 재료가 기존의 뼈와 똑같이 보이고 똑같이 작동하며 매끄럽게 통합되는 모습이었습니다. 이는 미래에 우리가 완벽한 틀(mold) 없이도 복잡하고 불규칙한 모양으로 성장하거나 스스로 복구할 수 있는 재료를 가질 수 있음을 시사합니다.

궁극의 테스트: 기계적 클로킹(Mechanical Cloak)

이 시스템이 실제 공학 분야에서도 작동함을 증명하기 위해, 연구진은 "기계적 클로킹(mechanical cloak)"을 설계하는 데 사용했습니다. 고체 블록 내부에 빈 공간이 있다고 상상해 보세요. 만약 블록을 누르면, 그 구멍은 힘을 왜곡시켜 재료를 약하고 불안정하게 만듭니다. "클로크(Cloak, 망토)"는 구멍 주위에 특수한 배열의 재료를 배치하여 힘을 속이는 장치로, 힘이 마치 구멍이 없는 것처럼 구멍 주변을 흘러가도록 만듭니다.

클로킹을 설계하는 것은 매우 어렵습니다. 왜냐하면 재료의 특성이 지점마다 매우 매끄럽고 정밀하게 변해야 하기 때문입니다. 연구진은 최적화 시스템을 사용하여 모든 지점에서 필요한 특성이 무엇인지 정확히 파악했습니다. 그런 다음, 그 요구 사항들을 NCA 모델에 입력했습니다. 모델은 그 요구 사항에 완벽하게 부합하는 복잡하고 무질서한 구조를 성장시켰습니다.

결과는 인상적이었습니다. 클로킹된 구조는 힘의 왜곡을 현저히 줄였습니다. 연구진이 다양한 해상도(500 × 500에서 1000 × 1000 픽셀까지)에서 테스트했을 때, 고해상도 버전이 훨씬 더 우수한 성능을 보였으며, 오차율은 26.12%에서 16.86%로 떨어졌습니다. 이는 이 시스템이 단순히 이론에 그치지 않고, 고성능의 실제 설계를 구현하기 위해 확장 가능하다는 것을 증명합니다.

이것이 중요한 이유

이 논문은 재료 과학의 새로운 방향을 제시합니다. 우리는 경직되고 미리 만들어진 블록에 갇히거나 AI 훈련을 위해 방대한 데이터셋을 필요로 하는 대신, 이제 자연의 방식처럼 유연하고 적응력이 뛰어난 재료를 "성장"시킬 수 있습니다. 이 시스템은 데이터 효율적이며(단 하나의 예시로부터 학습), 적응력이 뛰어나고(어떤 형태에서도 작동), 제어가 가능합니다(리모컨처럼 특성을 조절).

이 논문은 시뮬레이션과 기계적 클로킹에 초점을 맞추고 있지만, 그 함의는 광범-합니다. 저자들은 이것이 불규칙한 뼈 모양에 완벽하게 들어맞는 생체 의료용 임플란트나, 강하면서도 유연해야 하는 소프트 로보틱스를 설계하는 데 있어 게임 체인저가 될 수 있다고 제안합니다. 단순히 그림을 복사하는 것이 아니라 성장의 규칙을 학습함으로써, 우리는 마침내 살아있는 세계만큼이나 견고하고 영리한 재료를 설계할 수 있게 될 것입니다.