Reliability of AI/ML Computational Searches for Magnetic Materials: Databases, Validation, and Synthesizability

새로운 자성 재료를 찾는 과정은 현대 과학에서 매우 중요한 과제로, 더 나은 모터, 더 효율적인 에너지 저장 장치, 그리고 첨단 전자 기기의 필요성에 의해 추진되고 있습니다. 수십 년 동안 연구자들은 실험실에서 원소들을 혼합하고 그 특성을 테스트하는 체계적인 시행착오의 과정에 의존해 왔습니다. 그러나 오늘날, 강력한 새로운 도구가 이 영역에 등장했습니다. 바로 인공지능입니다. 이러한 컴퓨터 프로그램는 방대한 디지털 화학 조합 라이브러리를 스캔하여, 미래 기술에 필요한 자기 강도를 가질 수 있는 조합이 무엇인지 예측할 수 있습니다. 기계가 인간이 걸리는 시간의 아주 일부분만으로 완벽한 재료를 찾아낼 수 있다는 약속은 매우 매혹적입니다. 하지만 이 속도에는 숨겨진 함정이 있습니다. 컴퓨터가 수백만 개의 데이터 포인트를 처리할 수 있다고 해서, 그것이 연구 중인 재료의 물리적 실체를 이해한다는 의미는 아닙니다. 만약 디지털 라이브러리에 원자들이 뜨거워질 때 어떻게 행동하는지 또는 어떻게 서로 섞이는지에 대한 결정적인 세부 정보가 누락되어 있다면, 컴퓨터의 예측은 수학적으로는 완벽할지 몰라도 물리적으로는 쓸모없을 수 있습니다.

이것이 바로 우리가 자석을 발견하기 위해 인공지능을 사용하는 방식을 재고하는 한 연구팀이 다루고 있는 핵심 문제입니다. 그들은 단순히 데이터베이스에 항목을 더 많이 추가하는 데 집중하는 현재의 접근 방식이 결함이 있다고 주장합니다. 문제는 데이터의 양이 아니라, 그 안에 담긴 정보의 질과 완전성입니다. 어떤 데이터베이스가 수천 개의 결정 구조를 포함하고 있더라도, 만약 그 구조들이 상온에서 어떻게 행동하는지 또는 내부의 원자들이 뒤섞였을 때 어떻게 반응하는지를 기록하지 못한다면, 그로부터 도출된 예측은 신뢰할 수 없습니다. 연구진은 인공지능을 최종 해답이 아닌 시작점으로 취급하는 새로운 작업 방식을 제안합니다. 그들은 컴퓨터의 초기 추측 직후에 안정성, 자성, 그리고 실제로 실험실에서 제작 가능한 능력을 테스트하는 엄격한 물리 기반 검증이 뒤따르는 단계별 워크플로우를 제안합니다.

이러한 추가적인 정밀 조사가 왜 그토록 중요한지를 설명하기 위해, 연구팀은 이전의 컴퓨터 검색에서 유망한 새로운 자석으로 지목되었던 특정 후보 재료에 집중했습니다. 철, 코발트, 붕소로 구성된 이 화합물은 연구진이 절대 영도(이론상 가장 차가운 온도)에서의 에너지 상태만을 살펴보았을 때는 승리자인 것처럼 보였습니다. 이 얼어붙은 상태에서 원자들은 강한 자석을 만들 수 있는 정돈되고 질서 있는 배열을 선호하는 듯 보였습니다. 그러나 연구진은 현실 세계의 재료는 절대 영도에 있지 않다는 것을 알고 있었습니다. 그들은 이 정돈된 구조가 제조 공정의 열기를 견뎌낼 수 있는지 알아야 했습니다. 그들은 두 가지 임계 온도를 비교하는 '합성 윈도우(synthesis window)'라는 개념을 활용했습니다. 하나는 원자들이 이동하여 정돈된 위치에 자리 잡을 수 있을 만큼 움직임이 활발해지는 온도이고, 다른 하나는 그 정돈된 구조가 실제로 가장 안정적인 상태가 되는 온도입니다. 재료가 성공적으로 만들어지기 위해서는 이 두 온도 사이에 간격, 즉 원자들이 자리를 잡기 위해 움직일 수 있으면서도 그 자리가 여전히 가장 편안한 상태인 구간이 존재해야 합니다.

연구진이 이 테스트를 철, 코발트, 붕소 화합물에 적용했을 때 결과는 극명했습니다. 정돈된 버전이 절대 영도에서는 확실히 가장 안정적이었지만, 정돈된 상태와 무질서하고 뒤섞인 상태 사이의 에너지 차이는 믿기 힘들 정도로 작았습니다. 이 미세한 에너지 격차는 정돈된 구조를 유지하기 위해 필요한 온도가 상온보다 훨씬 낮다는 것을 의미했습니다. 실제로 계산 결과, 원자들이 정돈된 상태를 유지하려면 재료를 약 118 켈빈, 즉 화씨 영하 250도 정도로 냉각해야 했습니다. 이 온도보다 높아지면 원자들은 자연스럽게 무질서하게 뒤섞여, 컴퓨터가 예측했던 자기적 특성을 파괴할 것입니다. 이 합금의 녹는점이 약 1500 켈빈임을 고려할 때, 재료를 녹이고 냉각하면서 정돈된 상태로 유지할 수 있는 온도 범위는 존재하지 않습니다. 즉, 이 정돈된 구조는 운동학적으로 접근 불가능하며, 이론적인 유령에 불과합니다.

이 발견은 재료 과학 분야에 강력한 경고를 보냅니다. 이는 어떤 재료가 컴퓨터 시뮬레이션에서는 에너지적으로 유리할지라도, 현실 세계에서는 합성이 불가능할 수 있음을 보여줍니다. 연구진은 초기 컴퓨터 예측에만 의존했다면 과학자들이 결코 존재할 수 없는 재료에 시간과 자원을 낭비하며 막다른 길로 빠졌을 것이라고 밝혔습니다. 이 연구는 인공지능 모델이 입력받는 물리 법칙에 의해서만 그 가치가 결정된다는 점을 강조합니다. 만약 모델이 화학적 무질서나 온도의 영향을 무시하는 데이터로 학습된다면, 필연적으로 거짓 양성(false positives)을 만들어낼 것입니다. 연구진은 해결책이 더 큰 데이터베이스를 구축하는 것이 아니라, 경쟁하는 자기 상태, 화학적 혼합, 그리고 유한한 온도에서의 거동에 대한 정보를 포함하는 더 똑똑한 데이터베이스를 구축하는 것이라고 주장합니다.

연구에 따르면 앞으로의 방향은 인공지능이 잠재적 후보를 잡아내는 넓은 그물 역할을 하되, 잡힌 모든 후보가 즉시 일련의 엄격한 물리적 테스트를 거치는 계층적 접근 방식입니다. 이러한 테스트는 재료가 진공 상태에서 안정적일 뿐만 아니라, 동적으로 안정적이고, 자기적으로 견고하며, 운동학적으로 접근 가능한지를 검증해야 합니다. 머신 러닝의 속도와 전통적인 물리학의 깊이를 결합해야만 연구자들은 이론적으로 흥미로운 재료를 넘어, 실제로 유용한 재료를 찾을 수 있을 것입니다. 철-코발트-붕소의 사례는 엄격한 검증이 없다면 인공지능의 급격한 발전이 확신에 찬 틀린 예측의 행렬이 될 위험이 있음을 증명합니다. 이러한 도구의 진정한 가치는 숫자를 생성하는 능력이 아니라, 세상을 바꿀 수 있는 몇 안 되는 진정으로 실행 가능한 재료로 인간 연구자들을 안내하는 능력에 있습니다.