실험실마다 쌓이는 방대한 데이터와 값비싼 장비 의존으로 지체되던 신소재 연구에 새로운 해법이 등장했다. 

KAIST 연구진이 물리 법칙을 인공지능 학습 과정에 직접 반영하는 기법을 고안해, 제한된 데이터만으로도 소재 특성을 빠르고 정확하게 규명할 수 있는 기반을 마련한 것이다.

KAIST 기계공학과 유승화 교수 연구팀은 경희대 임재혁 교수 연구팀, 한국전기연구원(KERI) 류병기 박사와 함께 '물리 기반 머신러닝(Physics-Informed Machine Learning, PIML)'을 활용한 신소재 연구 성과를 발표했다. 이번 결과는 재료·기계·에너지·전자 등 다양한 분야에서 설계와 검증 속도를 크게 높일 수 있다는 점에서 주목받고 있다.

첫 번째 연구는 고무처럼 잘 늘어나는 초탄성(hyperelastic) 소재를 대상으로 진행됐다. 연구팀은 단 한 번의 실험으로 얻은 소량의 데이터를 바탕으로 소재의 변형 양상과 성질을 동시에 규명할 수 있는 '물리 기반 인공신경망(PINN)' 기법을 제시했다. 이로써 데이터가 제한적이거나 잡음이 포함된 경우에도 안정적인 분석이 가능하다는 사실을 입증했다.

두 번째 연구에서는 열을 전기로, 전기를 열로 변환하는 열전 소재를 다뤘다. 연구팀은 PINN 기반 역추정 기법을 적용해 몇 개의 측정값만으로도 열전도도와 제벡 계수 같은 핵심 지표를 추정할 수 있음을 보여줬다. 

또 '물리 기반 신경 연산자(PINO)'를 도입해 학습하지 않은 신소재에도 별도의 재학습 과정 없이 일반화가 가능하다는 점을 확인했다. 실제로 20개 소재로 학습한 뒤 60개의 새로운 소재를 시험한 결과, 모두 높은 정확도를 기록하며 대량 후보 소재의 신속 탐색 가능성을 증명했다.

유승화 교수는 "물리 법칙을 이해하는 인공지능을 실제 신소재 연구에 적용한 첫 사례라는 데 의미가 있다"며 "데이터 확보가 어려운 상황에서도 신뢰성 있는 분석이 가능해 앞으로 다양한 공학 분야로 확산될 것"이라고 말했다.

첫 번째 논문은 KAIST 기계공학과 문현빈·박동근 박사과정이 공동 1저자로, 두 번째 논문은 KAIST 기계공학과 문현빈·이송호 박사과정, 와비 데메케(Wabi Demeke) 박사가 공동 1저자로 참여했으며, 국제학술지 Computer Methods in Applied Mechanics and Engineering(8월 13일자)와 npj Computational Materials(8월 22일자)에 각각 게재됐다. 

연구는 한국연구재단과 과학기술정보통신부의 이노코어 프로그램, 식품의약품안전처 연구과제의 지원을 받아 수행됐다. /대전=이한영기자