Supervised Machine Learning for Predicting Power Conversion Efficiency in Perovskite Solar Cells: A Systematic Review and Quantitative Meta-Analysis

당신이 세상에서 가장 완벽한 초코칩 쿠키를 구우려고 노력하고 있다고 상상해 보세요. 하지만 이 레시피에는 밀가루와 설탕 대신 수천 가지의 비밀 재료가 들어가고, 매초 온도가 변하는 신비로운 오븐과 휘저을 때마다 모양이 바뀌는 믹싱 볼이 포함되어 있습니다. 이것이 바로 과학자들이 **페로브스카이트 태양전지(PSлоvskite Solar Cells, PSCs)**를 만들 때 직면하는 현실입니다. 이것들은 우리의 미래를 밝혀줄 수 있는 반짝이는 차세대 태양광 패널이지만, 매우 효율적인 제품을 만들기 위한 완벽한 레시피를 찾아내는 과정은 시행착오의 연속인 악몽과 같습니다.

여기에 **지도 학습 머신러닝(Supervised Machine Learning, ML)**이 등장합니다. 이것을 마법의 수정구슬이라기보다는, 세상의 모든 레시피 북을 읽은 아주 똑똑하고 지치지 않는 수습 요리사라고 생각해보세요. 수천 개의 쿠키를 직접 구워보며 어떤 것이 가장 맛있는지 확인하는 대신, 이 수습 요리사는 이전의 베이킹 데이터를 살펴보고 어떤 재료 조합이 완벽한 쿠키를 만들어낼지 정확히 예측합니다.

위대한 쿠키 대회: 누가 승리할 것인가?

이 논문의 저자들은 음식 비평가처럼 행동하기로 했습니다. 그들은 단 하나의 쿠키만 맛본 것이 아니라, 과학자들이 이 AI 요리사들을 사용하여 광전 변환 효율(PCE)—즉, 태양전지가 햇빛을 전기로 얼마나 바꾸는지—을 예측하는 데 사용한 36개의 서로 다른 연구(2015년에서 2025년 사이에 발표된)를 수집했습니다.

그들은 이 모든 AI 모델들을 거대한 경기장에 모아놓고 어떤 모델이 실제로 가장 잘 작동하는지 겨루게 했습니다. 그들이 찾아낸 성적표는 다음과 같습니다:

• 트리 기반의 챔피언 (랜덤 포레스트 & XGBoost): 이 모델들은 레시피에 대해 투표하는 전문가 셰프 팀과 같습니다. 이들은 데이터를 보고 "온도가 높고 섞는 속도가 낮으면 훌다한 결과를 얻을 수 있다"라고 말합니다. 논문에 따르면 이러한 트리 기반 앙상블 방법이 현재 주방의 왕입니다. 표준 데이터 테이블에서 테스트했을 때, 이들은 일관되게 R² 값 0.80에서 0.90 사이를 기록했습니다. 쉬운 말로 설명하자면, 이는 매우 정확하며 예측 성공률이 약 80%에서 90%에 달한다는 것을 의미합니다.
• 신경망 도전자 (인공 신경망): 이들은 인간의 뇌를 모방하려고 노력하는 딥러닝 로봇과 같습니다. 논문은 이들이 점점 강해지고 있지만, 한 가지 약점이 있다고 제안합니다. 바로 빛나기 위해서는 엄청난 양의 데이터가 필요하다는 것입니다. 데이터셋이 적다면(샘플 300개 미만), 이 로봇들은 비틀거리곤 합니다. 이들은 **대규모 데이터셋(1,000개 이상의 샘플)**을 공급받을 때 비로소 트리 기반 챔피언들과 경쟁할 수 있습니다.
• 성과가 저조한 모델들: 이 논문은 다른 몇몇 방법들을 이 특정 작업에 대한 "고정 솔루션"에서 명시적으로 제외했습니다. 단순한 선형 모델(기본적인 수학 방정식 같은 것)과 **서포트 벡터 회귀(Support Vector Regression)**는 훨씬 약한 것으로 나타났으며, 태양전지 데이터의 복잡하고 뒤틀린 관계를 포착하는 데 자주 실패했습니다. 이들의 정확도는 현저히 낮았으며, R² 값이 종종 0.60 미만으로 떨어졌습니다.

데이터 크기에 대한 "골디락스" 법칙

이 논문의 가장 멋진 발견 중 하나는 데이터의 크기에 따라 어떤 AI 셰프를 고용해야 하는지가 어떻게 달라지는지를 보여준다는 점입니다. 저자들은 이를 적절한 도구를 선택하기 위한 가이드처럼 매핑했습니다:

1. 작은 데이터셋 (<300개 샘플): 만약 다룰 수 있는 레시피가 몇 개뿐이라면, **랜덤 포레스트(Random Forest)**가 최선의 선택입니다. 이 모델은 안정적이며 쉽게 혼란에 빠지지 않습니다.
2. 중간 데이터셋 (300–800개 샘플): 이곳은 XGBoost와 다른 그래디언트 부스팅 모델들을 위한 최적의 구간입니다. 이들은 조절 노브를 완벽하게 튜닝하기 위해 약간 더 많은 데이터가 필요하지만, 일단 튜닝이 완료되면 놀라운 성능을 발휘합니다.
3. 대규모 데이터셋 (>1,000개 샘플): 이제 강력한 주력 모델들을 투입할 수 있습니다: **신경망(Neural Networks)**입니다. 학습할 데이터가 충분히 많아지면, 이들은 더 단순한 모델들이 놓치는 숨겨진 패턴을 포착함으로써 다른 모델들을 능가하기 시작합니다.

"주방"의 문제점

이 AI 셰프들이 재능이 있음에도 불구하고, 논문은 주방이 다소 무질서하다고 지적합니다.

• 표준화된 레시피의 부재: 과학자들은 각자 결과를 측정하는 방식이 다릅니다. 어떤 이들은 "R"을 사용하고, 어떤 이들은 "R²"를 사용하며, 어떤 이들은 모델을 어떻게 테스트했는지조차 알려주지 않습니다. 이는 마치 한 셰프는 밀리리터로 계량하고 다른 셰프는 온스로 계량하는 것과 같습니다. 이로 인해 누가 진정으로 최고인지 비교하기가 어렵습니다.
• "훈련-테스트"의 함정: 약 **52%**의 연구가 데이터를 절반으로 나누어 (절반은 학습용, 나머지 절반은 테스트용) 사용하는 방식을 택했습니다. 논문은 이것이 충분히 엄격하지 않다고 주장합니다. 더 나은 방법은 k-폴드 교차 검증(k-fold cross-validation)(약 **41%**의 연구에서 사용됨)입니다. 이는 모델이 단순히 정답을 암기하는 것이 아니라, 다양한 데이터 조각에서 테스트되도록 보장합니다.
• 블랙박스: 많은 모델이 "블랙박스"입니다. 즉, 답은 내놓지만 왜 그런 답이 나왔는지는 설명하지 못합니다. 논문은 우리가 설명 가능한 AI(Explainable AI)(SHAP와 같은 도구 활용)로 나아가야 한다고 제안합니다. 그래적, 어떤 재료(예: 어닐링 온도나 재료 조성)가 실제로 중요한지를 과학자들이 이해할 수 있어야 하기 때문입니다.

미래를 향한 로드맵

저자들은 단순히 "AI가 좋다"라고 말하는 데 그치지 않습니다. 그들은 미래를 위한 지도를 그리고 있습니다. 그들은 태양전지 연구를 "추측"에서 "자율적 발견"으로 이끌기 위한 5단계 계획을 제안합니다:

1. 데이터 정제: 모두가 같은 언어를 사용할 수 있도록 개방된 표준 데이터베이스를 구축합니다.
2. 스마트 피처(특징): 단순히 무작위 숫자를 AI에게 던져주는 것이 아니라, 물리적으로 의미 있는 특징(예: 밴드갭 에너지)을 제공합니다.
3. 엄격한 검증: 모델이 실제로 작동하는지 알 수 있도록 엄격한 검증 방법을 사용합니다.
4. 물리 정보 기반 AI (Physics-Informed AI): 이것은 매우 중요한 부분입니다. AI가 맹목적으로 추측하게 두는 대신, 실제 물리 법칙(예: 전기가 이동하는 방식)을 학습시켜야 합니다. 이는 AI가 컴퓨터상에서는 훌륭해 보이지만 실제로 제작하는 것은 물리적으로 불가능한 태양전지를 제안하는 일을 방지합니다.
5. 자율 주행 실험실 (Self-Driving Labs): AI를 사용하여 태양전지를 설계하고, 직접 만들고, 테스트한 뒤, 그 결과를 다시 AI에 피드백하여 다시 시도하는 로봇을 상상해 보세요. 이 "폐쇄 루프(closed-loop)" 시스템은 발견의 속도를 획기적으로 높일 수 있습니다.

결론

이 논문은 AI가 태양전지 문제를 "해결했다"고 주장하는 것이 아닙니다. 대신, 현재로서는 랜덤 포레스트와 XGBoost 같은 트리 기반 모델이 과학자들이 주로 보유한 중간 규모의 데이터셋에서 태양전지 효율을 예측하는 데 가장 신뢰할 수 있는 도구라는 점을 시사합니다. 또한, 이 결과들을 온전히 신뢰하기 위해서는 더 나은 데이터 표준과 투명한 테스트가 필요하다고 경고합니다. 하지만 우리가 이 로드맵을 따라—스마트한 AI와 물리학 법칙을 결합하여—나아간다면, 우리는 완벽한 태양전지 레시피를 예상보다 훨씬 빨리 발견하게 될지도 모릅니다.