서울대학교 공과대학 화학생물공학부 정유성 교수팀이 대규모언어모델(LLM)을 활용해 기존에 합성이 어려웠던 신소재를 실제로 합성 가능한 형태로 다시 설계하는 혁신적 AI 기반 기술을 개발했다.

단순히 물질의 합성 가능성을 예측하는 단계에서 한 걸음 더 나아가 합성이 어려운 신소재를 재설계할 수 있는 실질적 해법을 제시한 것이다. 반도체 신소재나 고효율 배터리 소재 개발 등에 활용될 수 있어 첨단 소재 개발 속도를 크게 앞당길 수 있을 것으로 기대된다.

이번 연구에는 서울대학교 최재환 석박사통합과정생과 김성민 박사후연구원이 공동 제1저자로 참여했으며, 연구 성과는 화학 분야 국제 저명 학술지인 미국화학회지(JACS)에 2025년 10월 6일 게재됐다.

계산화학과 AI 기술의 발전으로 이론적으로 유망한 물질 후보를 대량으로 탐색할 수 있게 됐지만, 실제 실험실에서 그 물질을 합성하는 과정은 여전히 큰 과제로 남아 있었다. 기존 연구들은 물질의 합성 가능성 예측에 집중해온 반면, 합성이 어렵다고 판정된 물질을 어떻게 합성 가능한 구조로 전환할 것인지는 답을 내리지 못했다.

이를 극복하기 위해 연구팀은 새로운 LLM 기반 프레임워크인 ‘SynCry’를 개발했다. 이 모델은 신소재의 결정 구조 정보를 역변환 가능한 텍스트로 표현하고, 반복적 미세조정을 통해 합성이 어려운 구조를 합성 가능한 구조로 변환하는 방법을 스스로 학습한다.

연구 결과 SynCry는 초기 514개의 성공적 구조 변환에서 출발해 반복적 미세조정을 통해 총 3395개의 구조를 합성 가능한 형태로 재설계하는 데 성공했다. 더욱 눈에 띄는 점은 재설계된 상위 100개 구조 중 34개가 학습 데이터에는 존재하지 않음에도 실제 문헌에서 실험적으로 합성이 보고된 물질과 일치했다는 것이다. 이는 SynCry가 단순 학습 데이터를 모방하는 수준을 넘어 실제로 합성이 가능한 새로운 구조를 창출할 수 있음을 보여준다.

이러한 재설계 기술은 ‘학습 후 재생성’ 전략을 통해 LLM이 단순 예측을 넘어 실질적인 신소재 설계 도구로 활용될 수 있음을 입증했다. 특히 첨단 소재 개발 기간을 획기적으로 단축하고 기존에 합성이 어려워 제외됐던 수많은 후보 물질을 다시 활용할 수 있는 길을 열었다.

연구진 의견

정유성 교수는 “이번 연구는 AI가 합성이 어려운 구조에서 출발해 신소재를 직접 재설계할 수 있음을 처음으로 보여준 사례”라며 “향후 더 다양한 소재 시스템과 대규모 데이터셋으로 확장해 실용적 신소재 발굴 도구로 발전시킬 계획”이라고 설명했다.

최재환 석박사통합과정생은 “합성이 어렵다고 판단돼 버려지던 가상물질을 다시 활용할 수 있을지에 대한 고민에서 출발한 연구”라며 “앞으로 언어모델을 포함한 범용 AI 에이전트를 개발해 신소재 개발을 더욱 가속화하는 기술을 구현하겠다”고 말했다.

그동안 지속적으로 LLM 기반 합성 가능성 예측 연구를 수행해 온 김성민 박사후연구원은 “이번 성과는 AI가 소재과학에서 창의적 설계 역할을 할 수 있음을 보여주는 중요한 사례”라고 설명했다.

연구진 진로

최재환 석박사통합과정생은 앞으로 LLM을 포함한 범용 AI 에이전트를 개발해 무기 소재의 합성 메커니즘 규명 및 최적 합성 경로 도출을 자동화하는 연구를 수행할 계획이며, 서울대학교 화학공정신기술연구소에서 근무 중인 김성민 박사후 연구원은 앞으로 신소재 개발의 패러다임 변화를 모색하는 방향으로 기계학습과 재료과학을 융합한 후속 연구를 수행할 계획이다.