Generative and multimodal AI for materials prediction and design: Progress, challenges, and perspectives

기술 요약: 재료 예측 및 설계를 위한 생성형 및 멀티모달 AI

문제 정의
인공지능(AI)은 재료 발견을 위해 방대한 화학적 및 구조적 공간을 탐색하는 데 점점 더 많이 사용되고 있다. 그러나 재료 설계에서 '신규성(novelty)'을 정의하고 입증하는 것은 여전히 중요한 과제로 남아 있다. 현재의 AI 기반 신규성 주장은 조성이나 잠재 공간(latent space)에서의 통계적 거리에는 의존하지만, 화학적 타당성, 물리적 거동 및 실험적 실현 가능성을 고려하지 못한다. 구조적으로 유효한 후보 물질을 생성하는 것과 실제 환경의 제약 조건 하에서 성능을 발휘하는 실험 가능한 재료를 전달하는 것 사이에는 상당한 간극이 존재한다. 이러한 단절은 현재의 데이터와 모델이 내재적 특성(조성 및 이상적인 결정 구조)에 과도하게 집중되어 있으며, 외재적이고 공정 의존적인 성능 데이터로부터 얻은 증거가 부족하기 때문에 발생한다. 또한, 벤치마킹 관행은 계산적 대리 지표(예: 밀도 범함수 이론(DFT) 라벨)에 의존하는 경향이 있어, 이는 실험실 환경을 충분히 반영하지 못하며, 결과적으로 시뮬레이션상(in silico)에서는 성공적이지만 실험실에서는 실패하는 모델을 초래한다.

방법론 및 프레임워크
본 논문은 특정 알고리즘이나 데이터셋을 도입하기보다는, 이러한 과제를 해결하기 위한 개념적 프레임워크와 현재의 지형에 대한 검토를 제안한다. 핵심적인 방법론적 기여는 다음과 같다:

1. 재료 특성 계층 구조: 저자들은 다음을 구분하는 계층 구조를 도입한다:

   • 내재적 특성(Intrinsic Properties): 바닥 상태의 화학 및 원자 배열에 의해 결정되는 특성(예: 전자 구조)으로, 이상적인 구조로부터 예측 가능하다.
   • 외재적 특성(Extrinsic Properties): 미세구조, 결함, 계면 및 공정 이력에 의해 결정되는 특성(예: 파괴 인성, 피로 수명). 이는 경로 의존적이며 멀티모달 데이터를 통해 예측해야 한다.

2. 3단계 신규성 분류 체계: 특성 계층 구조를 바탕으로, 본 논문은 세 가지 뚜렷한 신규성 수준을 정의한다:

   • 구조적 신규성(Structural Novelty): 조성 또는 결정학적 공간의 미개척 영역을 점유함.
   • 물리적 신규성(Physical Novelty): 유사한 조건의 기존 시스템에서 관찰되지 않은 특성이나 상(phase) 거동을 보임. 이는 구조 이상의 증거를 필요로 한다.
   • 배치 신규성(Deployment Novelty): 현실적인 합성, 제조 및 운용 제약 조건 하에서 기존 재료로는 달성할 수 없는 성능을 제공함. 이 단계는 합성 가능성과 시간 경과에 따른 기능 유지에 대한 증거를 요구한다.

3. 멀티모달 데이터 분석: 본 논문은 현재의 재료 데이터 모달리티(화학 조성, 미세구조, 공정, 테스트/특성 분석)를 분석한다. 저자들은 조성과 이상적인 구조는 데이터베이스(예: Materials Project, OQMD)에 잘 나타나 있는 반면, 공정 이력, 미세구조 및 부정적 결과("다크 데이터(dark data)")에 관한 데이터는 부족하고 이질적이며 통합이 미흡하다는 점을 강조한다.

4. AI 아키텍처 검토: 저자들은 멀티모달 표현 학습(이질적인 데이터를 공유 공간으로 인코딩), 지식 통합(재료 지식 그래프를 통한), 그리고 생성형 AI(확산 모델, VAE, LLM 포함)에 대한 접근 방식들을 검토한다. 이들은 생성 모델이 다양한 구조를 제안할 수는 있지만, 공정 타당성이나 합성 경로와 관련된 제약 조건이 부족한 경우가 많다고 지적한다.

주요 기여

• 개념적 명확화: 본 논문은 재료 신규성에 대한 엄격한 분류 체계를 제공하며, 구조적 신규성만으로는 실질적인 발견에 불료하며, 더 높은 수준의 신규성(물리적 및 배치 신규성)을 위해서는 다른 조합의 증거가 필요하다고 주장한다.
• 증거 간극 식별: 현재의 AI 모델들이 멀티모달 데이터의 부재, 특히 공정 및 미세구조 데이터의 희소성과 문헌에 나타나는 체계적인 부정적 결과의 부재로 인해 제한된다는 점을 체계적으로 식별한다.
• 벤치마킹 비판: 기존 벤치마킹 관행이 계산적 라벨(DFT)과 대리 지표에 의존함으로써 모델 성능과 실험적 유용성 사이의 괴리를 만든다고 비판한다. 또한, 분포 외(out-of-distribution) 평가가 진정한 외삽(extrapolation)을 포착하기에는 불충분하게 정의되어 있다고 주장한다.
• 전략적 로드맵: 저자들은 분야를 발전시키기 위한 네 가지 구체적인 기회를 제시한다:
  1. 멀티모달 데이터 구축: 재료를 그 출처(합성 경로, 공정 조건, 측정 불확실성)와 연결하는 표준화된 데이터셋을 구축하고 부정적 결과를 포함한다.
  2. 공정 인식 모델링(Process-Aware Modeling): 공정 정보를 단순한 메타데이터가 아닌 주요 모달리티로 취급하여, 전체적인 공정-구조-특성 관계를 학습하는 AI 모델을 개발한다.
  3. 타당성 우선 생성(Feasibility-First Generation): 생성형 AI가 물리적, 화학적, 합성 제약 조건을 생성 과정에 직접 내재화하도록 전환하여, 고립된 구조가 아닌 "설계 튜플(composition + processing route + expected microstructure)"을 생성하게 한다.
  4. 배치 인식 벤치마킹(Deployment-Aware Benchmarking): 배치 관련 지표(합성 성공률, 제약 조건 충족 등)를 우선시하고, 실제 발견의 과제를 반영하는 엄격한 분포 외 분할(out-of-distribution splits)을 사용하는 평가 프로토콜을 수립한다.

결과 및 조사 내용
관점(perspective) 논문으로서, 본 연구는 새로운 실험 결과나 수치적 벤치마크를 제시하지 않는다. 대신, 그 "결과"는 현재의 트렌드에 대한 종합 및 체계적 한계의 식별이다:

• 트렌드 분석: 출판 데이터(2020–2025)는 재료를 위한 생성형 및 멀티모달 AI의 급격한 성장을 보여주지만, 네 가지 데이터 모달리티(조성, 미세구조, 공정, 테스트)를 모두 활용하는 논문의 비율은 불균형하며, 특히 테스트 및 특성 분석은 우세한 반면 공정 데이터는 과소 대표되어 있다.
• 현재 모델의 한계: 현재의 생성 모델은 구조적 신규성에는 효과적이지만, 필요한 증거(공정 이력, 미세구조 데이터)가 부족하기 때문에 물리적 및 배치 신규성을 달성하는 데 어려움을 겪는다.
• 벤치마킹 결함: 기존 벤치마크는 모델이 계산적 라벨을 재현하거나 대리 지표를 만족하도록 보상하는 경향이 있는데, 이는 실험적 실현 가능성을 보장하지 않는다. 계산적 검증과 실험적 타당성 사이의 간극이 근본적인 장벽으로 식별되었다.

의의 및 주장
본 논문은 AI가 진정한 의미의 신규한 재료를 설계(단순히 알려진 것을 재발견하는 것이 아니라)하기 위해서는, 커뮤니티가 구조적 신규성을 넘어 배치 신규성으로 나아가야 한다고 주장한다. 이러한 전환은 데이터가 수집되고, 모델링되며, 평가되는 방식의 집단적 변화를 요구한다.

• 증거 기반 신규성: 신규성 주장은 공정-구조-특성 전체 체인을 아우르는 멀티모달 데이터에 의해 뒷받침되는 증거 기반이어야 한다.
• 커뮤니티의 책임: 이를 달성하기 위해서는 최소 메타데이터 표준을 수립하고, 부정적 결과 보고를 강제하며, 정렬된 멀티모달 데이터를 위한 인프라를 개발하기 위한 재료 과학 및 AI 커뮤니티 간의 조율된 행동이 필요하다.
• 미래 방향: 본 논문은 재료 AI의 미래가 "타당성 우선" 생성 모델과 "배치 인식" 벤치마킹에 있다고 상정하며, 여기서 목표는 단순히 유효한 구조를 생성하는 것이 아니라, 방어 가능한 과학적 및 실질적 신규성을 가진 실험적으로 실현 가능한 재료를 제안하는 것이다.

결론적으로, AI가 구조적 예측에서 상당한 진전을 이루었으나, 실험적으로 실현 가능한 재료를 설계하는 경로는 더 나은 데이터 표준, 공정 인식 모델링, 그리고 엄격하고 배치 중심적인 평가를 통해 증거의 간극을 메움으로써 가능하다고 본다.