CuspAI는 이번 주 생성형 모델, 시뮬레이션 컴퓨팅(Simulation Computing), 그리고 제조를 연결하여 인공지능에 의해 설계된 재료가 데이터베이스에만 머물지 않고 실제 실험실로 전달될 수 있도록 약속하는 네트워크인 AI Materials Foundry를 가동했습니다.

Las Vegas Sun이 보도한 이 소식은 DeepMind, Microsoft Research, Meta와 같은 연구소들이 재료 설계를 가속화하기 위해 이미 대규모 모델과 데이터셋(Datasets)을 발표한 시점에 전해졌습니다. 이 기사가 답하고자 하는 질문은 고립된 모델 대신 완전한 파트너 네트워크가 출시될 때 실제로 무엇이 변하는가 하는 점입니다.

TL;DR

• CuspAI가 AI를 통한 재료 설계를 가속화하기 위한 글로벌 네트워크인 AI Materials Foundry를 출시했습니다.
• 이 네트워크는 AI가 생성한 후보 재료를 검증하기 위해 연구, 컴퓨팅, 제조를 연결합니다.
• 2023년, DeepMind의 GNoME는 220만 개의 새로운 결정 구조를 예측했으며, 그 중 380,000개가 안정적인 것으로 나타났습니다.
• Microsoft는 단순히 스크리닝(Screening)하는 대신 처음부터 재료를 설계하는 생성형 모델인 MatterGen을 선보였습니다.
• Meta는 재료 모델 학습을 위해 1억 개 이상의 DFT 계산을 포함한 OMat24 데이터셋을 공개했습니다.
• 병목 현상은 후보 생성 단계가 아니라, 실험실에서의 물리적 합성 및 검증 단계에 여전히 존재합니다.
• Materials Project, ASE, MACE-MP를 통해 오늘날 어떤 개발자라도 후보 스크리닝을 테스트해 볼 수 있습니다.

발생한 일: CuspAI, AI Materials Foundry 출시

재료 발견에 적용되는 **생성형 인공지능 (Generative AI)**에 집중하는 스타트업인 CuspAI는 AI Materials Foundry의 출시를 발표했습니다. Las Vegas Sun의 보고서에 따르면, 이는 AI가 생성한 후보 재료를 검증되고 제조 가능한 재료로 전환하는 단계를 가속화하기 위해 설계된 글로벌 네트워크입니다.

핵심 제안은 새로운 AI 모델이 아니라 협업 인프라입니다. 즉, 후보 물질을 생성하는 사람과 이를 스크리닝(screening)할 수 있는 컴퓨팅 능력을 갖춘 사람, 그리고 물리적 실험실에서 이를 합성하고 측정할 수 있는 사람을 연결하는 것입니다. 이러한 체인(생성, 스크리닝, 검증, 제조)은 역사적으로 재료 과학의 병목 현상(bottleneck)이었습니다.

CuspAI는 훨씬 더 많은 자원을 보유한 기업 연구소들도 참여하고 있는 분야에서 경쟁하고 있습니다. 따라서 파트너 네트워크는 모든 요소를 내부적으로 구축하지 않고도 컴퓨팅 및 실험 능력을 실질적으로 맞추기 위한 그들만의 방식입니다.

배경 및 역사

새로운 재료(더 가벼운 합금, 배터리용 고체 전해질, 탄소 포집용 촉매 등)의 발견은 전통적으로 화학적 직관과 실험실에서의 수년간의 시행착오를 결합해 왔습니다. 특히 양자 시뮬레이션인 **밀도 범함수 이론 (DFT, Density Functional Theory)**은 구조를 직접 합성하지 않고도 안정성을 계산할 수 있게 해주었지만, 후보 물질 하나당 높은 컴퓨팅 비용이 발생했습니다.

최근의 도약은 딥러닝 (deep learning)과 함께 찾아왔습니다. 2023년, DeepMind는 Nature지에 GNoME (Graph Networks for Materials Exploration) 시스템을 발표하여 220만 개의 새로운 결정 구조를 예측했습니다. 이 중 약 38만 개는 실제 합성이 가능한 후보가 될 만큼 충분히 안정적인 것으로 간주되었습니다. 이는 규모의 비약적인 발전이었습니다. GNoME 이전에는 재료 과학계가 수십 년간 축적된 실험 및 컴퓨팅 작업을 통해 알고 있던 안정적인 구조가 약 48,000개 정도였습니다.

Microsoft Research는 MatterGen을 통해 한 걸음 더 나아갔습니다. 이는 기존 구조를 평가하는 데 그치지 않고, 낮은 독성이나 특정 밴드갭 (band gap)과 같이 원하는 특성을 조건으로 하여 새로운 조성과 결정 구조 (crystalline structures)를 직접 생성하는 확산 모델 (diffusion model)입니다. Microsoft Research 블로그에서는 이를 전통적인 프로세스의 역전으로 설명합니다. 즉, 데이터베이스에서 검색하는 대신 모델이 처음부터 설계하는 방식입니다.

한편, Meta는 2024년에 재료 포텐셜 (materials potentials) 모델을 훈련하기 위해 1억 개 이상의 공개된 DFT (밀도 범함수 이론, Density Functional Theory) 계산을 포함하는 OMat24 (Open Materials 2024) 데이터셋을 Meta AI를 통해 공개했습니다. 이러한 방대한 양의 오픈 데이터는 CuspAI와 같은 더 작은 기업들이 가장 비용이 많이 드는 컴퓨팅 작업을 처음부터 반복하지 않고도 자체 모델을 훈련하고 미세 조정 (fine-tuning)할 수 있게 만든 주요 요인입니다.

이러한 노력은 갑자기 나타난 것이 아닙니다. 2011년 미국은 새로운 재료가 실험실에서 시장에 출시되기까지 걸리는 시간을 단축하기 위해 오픈 데이터, 컴퓨터 시뮬레이션 및 실험의 결합을 추진하는 정부 프로그램인 Materials Genome Initiative를 출범했습니다. 2020년대의 생성형 모델 (generative models)은 2011년에는 아직 그 정도 규모로 존재하지 않았던 딥러닝 (deep learning) 도구와 함께 해당 아이디어가 성숙해진 결과물이라고 볼 수 있습니다.
GNoME은 220만 개의 구조를 예측했으며, 그중 약 38만 개만이 안정적인 것으로 간주되었습니다.

기술적 세부 사항 및 성능

AI 보조 재료 발견의 전형적인 파이프라인 (pipeline)은 네 단계로 구성되며, CuspAI의 제안은 이를 서로 소통하지 않는 팀들 사이에 분산시켜 두는 대신 명시적으로 네트워크로 조직화하는 것입니다.

첫째, **생성 모델 (generative model)**이 화학적 조성과 결정 구조(crystalline arrangement)를 포함한 후보 구조를 제안합니다. 둘째, 머신러닝 포텐셜 (machine learning potential) (MACE-MP 또는 M3GNet과 같은 모델)이 각 원자의 슈뢰딩거 방정식(Schrödinger equation)을 풀지 않고도 밀리초 단위로 해당 구조의 에너지를 근사합니다. 셋째, 첫 번째 필터를 통과한 후보들은 훨씬 더 정밀하지만 속도는 훨씬 느린 DFT (밀도 범함수 이론) 검증 단계로 넘어갑니다. 넷째, 두 가지 필터를 모두 통과한 후보만이 실험실 합성 (laboratory synthesis) 단계에 도달하며, 여기서 실제 재료가 모델의 예측대로 작동하는지 최종적으로 측정됩니다.

flowchart TD
A["데이터 및 과학 문헌"] --> B["AI 생성 모델"]
B --> C["ML 포텐셜을 이용한 스크리닝"]
...

후보를 합성할 가치가 있는지 **검증 (verify)**하는 방법은 고체 물리학의 구체적인 지표인 형성 에너지의 convex hull (볼록 껍질)까지의 거리이며, 이는 원자당 전자볼트(eV/atom)로 표현됩니다. 이 값이 0에 가까울수록 동일한 원소들의 다른 가능한 조합들에 비해 해당 구조가 열역학적으로 더 안정적임을 의미합니다. Materials Project와 같은 데이터베이스는 계산된 각 구조에 대해 이 값을 직접 제공하며, 이는 CuspAI와 같은 네트워크 내부 또는 외부의 모든 팀이 후보에 실험실 시간을 투입하기 전에 사용하는 필터입니다.

테스트를 시작하는 방법

이와 동일한 도구 체인(toolchain)을 실험해 보기 위해 반드시 CuspAI 네트워크의 일원이 될 필요는 없습니다. AI 보조 재료 발견(AI-assisted materials discovery) 스택의 상당 부분은 오픈 소스이기 때문입니다.

전체 DFT 코드를 설치하지 않고도, 사전 학습된 ML 포텐셜을 사용하여 구조의 에너지를 계산하려면 다음 명령어로 충분합니다:

pip install ase mace-torch

from ase.build import bulk
from mace.calculators import mace_mp

...

이 스크립트는 다이아몬드 상(phase)의 실리콘 결정 격자(crystalline cell)를 구축하고, 사전 학습된 MACE-MP 포텐셜을 할당하며, 단 한 번의 DFT 반복(iteration) 없이 몇 초 만에 포텐셜 에너지를 계산합니다. 이는 대규모 발견 파이프라인에서 사용하는 것과 동일한 유형의 빠른 스크리닝(screening) 방식이며, 단지 노트북에서 실행될 뿐입니다.

이미 계산되고 안정성에 따라 필터링된 후보를 검색하려면, Materials Project API를 통해 직접 쿼리할 수 있습니다:

from mp_api.client import MPRester

with MPRester("TU_API_KEY") as mpr:
...

이 쿼리는 리튬(lithium), 철(iron), 산소(oxygen) 화합물(배터리 양극재의 전형적인 계열)을 검색하며, 원자당 헐(hull) 거리가 0.03 eV 미만인 조건을 포함합니다. 이는 재료가 열역학적으로 안정성에 가깝다고 간주하는 일반적인 임계값입니다. 결과는 데이터베이스 식별자가 포함된 실제 후보 물질들의 짧은 목록으로 나타나며, 이는 합성을 고려하기 전에 검토할 준비가 된 상태입니다.

💡 팁: Materials Project API를 사용하려면 materialsproject.org에 등록하여 얻을 수 있는 무료 키가 필요합니다. 키가 없으면 인증 오류와 함께 쿼리가 실패합니다.
실험실에서의 합성은 여전히 공급망에서 가장 느린 단계입니다.

영향 및 분석

AI Materials Foundry의 근저에 깔린 논거는 후보 물질을 생성하는 것이 더 이상 주요 문제가 아니라는 점입니다. GNoME 및 MatterGen과 같은 모델들은 수백만 개의 구조를 제안하는 것이 가능하다는 것을 입증했습니다. 여전히 부족한 것은 이러한 후보들을 동일한 속도로 합성하고 특성화(characterization)할 수 있는 실험실 역량입니다. 여러 파트너를 네트워크로 연결하는 것은 각 회사가 자체 실험실을 처음부터 구축하기 위해 경쟁하는 대신, 이러한 병목 현상을 더 많은 시설에 병렬적으로 분산시키는 것을 목표로 합니다.

이러한 종류의 가속화가 가장 많이 인용되는 분야는 차세대 배터리, 탄소 포집(carbon capture) 재료, 그리고 반도체입니다. 이 세 분야는 시행착오 주기가 짧아질수록 연구 개발(R&D) 비용에 직접적인 영향을 미칩니다.

폐쇄형 모델 대신 네트워크에 베팅하는 것은 비즈니스 전략이기도 합니다. 만약 CuspAI가 여러 제조업체와 실험실이 후보를 평가하기 위해 동일한 AI 계층을 사용하도록 만든다면, 해당 네트워크 내에서 발생하는 각각의 성공적인 합성은 실제 실험 데이터로 모델에 피드백을 제공하게 됩니다. 이는 OMat24와 같은 어떤 공개 데이터셋도 단독으로는 제공할 수 없는 것으로, 활발한 실험실에서만 나타나는 실패와 조정 과정을 포착할 수 있기 때문입니다.

⚠️ 주의: 생성 모델이 안정적인 구조를 예측한다고 해서 그것이 현재의 실험실 방법으로 합성 가능하다는 것을 보장하지는 않습니다. 예측에서 성공적인 합성으로 이어지는 실제 후보 물질의 생존율은 여전히 어떤 데모에서도 보여주지 못하는 데이터입니다.

이것이 이 모든 접근 방식의 솔직한 한계입니다. 생성 모델은 종이 위에서는 안정적이지만 실제로는 재현 불가능한 구조를 환각 (hallucinate)할 수 있습니다. 이는 합성 조건이 극단적으로 필요하거나, 이를 평가한 머신러닝 (ML) 모델이 학습 범위 (training range) 밖에서 오류를 범했기 때문일 수 있습니다. 어떤 파트너 네트워크도 이러한 위험을 제거할 수는 없습니다. 최선의 경우, 병렬로 검증하는 인력이 더 많아지기 때문에 위험을 더 빨리 감지할 수 있을 뿐입니다.

향후 과제

앞으로 지켜봐야 할 점은 CuspAI가 이 네트워크를 통해 구체적으로 도출된 검증 가능한 결과(단순 예측이 아닌, 합성 및 특성 분석이 완료된 재료)를 공개할지, 그리고 외부 팀이 GNoME 구조의 일부를 복제하고 의문을 제기했던 사례처럼 독립적인 실험실들이 이러한 발견을 확인해 줄지 여부입니다. 출시 발표보다는 제3자의 검증이 AI Materials Foundry가 재료 과학을 가속화할지, 아니면 그 주변의 마케팅만을 가속화할지를 결정할 것입니다.

📖 Telegram 요약: 요약 보기

직접 시도해 보세요: CuspAI의 Foundry가 공개 액세스를 허용할 때까지 기다리지 말고, pip로 ase와 mace-torch를 설치하고 위의 스크립트를 실행하여 오늘 바로 첫 번째 결정 구조 에너지 (crystalline structure energy)를 계산해 보세요.

자주 묻는 질문 (FAQ)

CuspAI란 무엇인가요?

CuspAI는 재료 발견에 적용되는 생성형 인공지능 (generative AI)에 집중하는 스타트업으로, DeepMind나 Microsoft Research와 같은 대형 기업 연구소들이 참여하고 있는 분야에서 경쟁하고 있습니다.

AI Materials Foundry는 정확히 무엇인가요?