지금 시작되고 있는 청정 에너지의 돌파구

에너지 전환의 병목 현상은 결코 햇빛이 아니었습니다. 그것은 언제나 재료(materials)였습니다. AI가 방금 그 문을 부수고 들어왔습니다.

바람은 공짜입니다. 태양도 공짜입니다. 우리는 수십 년 동안 이 두 가지를 모두 포착하는 방법을 알고 있었습니다.

우리가 갖지 못했던 것: 대규모로 의미가 있을 만큼 효율적으로 그 에너지를 저장하고 변환할 수 있는 적절한 재료(materials)입니다. 그것이 실제 문제입니다. 정치적 의지도, 자본도, 공학적 노력도 아닙니다. 적절한 비용 내에서, 적절한 방식으로 배열된 적절한 원자(atoms)입니다.

인류 역사의 대부분 동안, 그러한 재료를 찾는 것은 화합물을 하나씩 합성하고, 테스트하고, 실패를 지켜보고, 다시 시작하는 과정을 필요로 했습니다. 진보는 인간의 손과 인내의 속도로 움직였습니다. 그것은 느렸습니다. 고통스러울 정도로, 비용이 많이 들 정도로 느렸습니다.

2023년 12월, 무언가가 변했습니다.

하룻밤 사이에 발견된 220만 개의 새로운 재료

Google DeepMind는 _Nature_지에 GNoME: Graph Networks for Materials Exploration [1]을 설명하는 논문을 발표했습니다. 이 모델은 220만 개의 새로운 안정적인 결정 구조(crystal structures)를 식별했습니다. 이해를 돕기 위해 비교하자면, 이 숫자는 인류 과학의 전 역사에 걸쳐 발견된 기존의 모든 알려진 안정적인 무기 재료(inorganic materials)를 모두 합친 것보다 많습니다.

이 220만 개의 후보 중 380,000개는 실질적인 사용이 가능할 정도로 충분히 안정적일 것으로 예측되었습니다.

이 사실을 곱씹어 보십시오. 수십 년간의 고통스러운 실험실 작업, 수십만 명의 연구자, 수 세기에 걸친 집단적 노력: 이것이 하나의 기준점(baseline)입니다. 단 한 번의 AI 모델 실행: 단 하나의 연구에서 그 기준점의 두 배가 넘는 결과가 나왔습니다.

이것이 수 세대 동안 선형적으로 움직여 온 분야에 기하급수적인 변화(exponential change)가 도래했을 때 나타나는 모습입니다.

GNoME이 수행한 일

전통적인 재료 발견 파이프라인(pipeline)은 네 단계로 이루어집니다: 가설 설정, 합성, 테스트, 실패. 무언가를 찾을 때까지, 혹은 자금이 바닥날 때까지 반복합니다.

초기 소재 발견부터 상업적 응용까지 걸리는 평균 시간은 역사적으로 10년에서 20년 사이였습니다 [2]. 이는 과학자들이 느리기 때문이 아닙니다. 탐색 공간 (search space)이 천문학적으로 크기 때문입니다. 원자들은 거의 무한한 구성으로 결합합니다. 모든 후보를 물리적으로 테스트하는 것은 단순히 불가능합니다.

GNoME가 재료 과학 (materials science) 문제를 해결한 것은 아닙니다. 탐색의 경제학 (economics of the search)을 바꾼 것입니다.

연구자들은 이제 화합물이 안정적인지 확인하기 위해 직접 합성하는 대신, 수백만 개의 후보를 계산적으로 스크리닝 (screen)하고, 가장 유망한 하위 집합을 식별한 다음, 그제서야 물리적 실험을 수행할 수 있습니다. 이러한 실험의 적중률 (hit rate)은 극적으로 높아집니다. 후보 생성에 드는 비용과 시간은 수년에서 수 시간으로 단축됩니다.

이것이 AI가 가장 잘하는 일입니다. 실험을 대체하는 것이 아니라, 실험할 가치가 있는 공간을 필터링하는 것입니다.

Microsoft는 더 나아갔습니다

GNoME는 알려진 후보가 안정적인지 예측합니다. 2024년에 발표된 Microsoft의 MatterGen 모델은 더 야심 찬 일을 수행합니다. 바로 사양에 맞춰 새로운 소재를 설계하는 것입니다 [3].

목표 속성 세트(높은 이온 전도도, 열적 안정성, 낮은 독성, 풍부한 구성 원소)를 제공하면

전고체 배터리 (Solid-state batteries). 오늘날의 리튬 이온 배터리는 액체 전해질 (liquid electrolytes)을 사용합니다. 이들은 잘 작동하지만, 가연성, 제한된 에너지 밀도 (energy density), 극한의 온도에서의 성능 저하와 같은 잘 알려진 한계점들이 있습니다. 이론적으로 더 나은 해결책은 고체 전해질 (solid-state electrolytes)입니다. 고체 전해질은 에너지 밀도를 대략 두 배로 높이고 화재 위험을 완전히 제거할 수 있습니다 [4].

문제는 적절한 이온 전도성 소재 (ionic conductor material)를 찾는 것입니다. 승리하는 소재는 기계적 안정성을 유지하면서 리튬 이온을 효율적으로 전도해야 하며, 전극과 화학적으로 불활성 (chemically inert)이어야 하고, 대규모 제조가 가능해야 합니다. 이는 거대한 탐색 공간(search space)에 걸친 가혹한 다중 제약 최적화 문제 (multi-constraint optimization problem)입니다.

GNoME 방식의 스크리닝 (screening)은 이미 물리적 테스트를 위한 수천 개의 고체 전해질 후보를 생성하고 있습니다. 연구 그룹이 10년 동안 시행착오를 거쳐야 했던 일이 이제는 하룻밤 사이에 실행되는 계산 작업이 되었습니다.

페로브스카이트 태양전지 (Perovskite solar cells). 실리콘 태양전지는 성숙한 기술입니다. 잘 작동하며, 가격도 저렴해졌습니다. 하지만 이론적인 효율성 한계 (efficiency ceiling)가 알려져 있으며, 그 한계에 도달하려면 값비싼 제조 공정이 필요합니다.

페로브스카이트는 실리콘보다 이론적 효율이 높고 잠재적으로 훨씬 저렴한 생산이 가능한 결정 구조 (crystal structures)의 한 종류입니다 [5]. 문제는 안정성입니다. 페로브스카이트 셀은 실리콘과는 다른 방식으로 열, 습도, UV 노출에 의해 퇴화합니다. 이를 해결하려면 실제 환경 조건에서 높은 효율성과 내구성을 모두 갖춘 페로브스카이트 조성을 찾아내야 합니다.

이 두 가지 속성이 항상 동일한 조성으로 귀결되는 것은 아닙니다. 실험실 자원을 낭비하기 전에 계산적으로 그 교차점을 찾는 것이 바로 AI 지원 소재 발견 (AI-assisted materials discovery)이 가능하게 하는 것입니다.

말이 나온 김에: 핵융합 (Fusion)

수소로부터 얻는 깨끗하고 풍부하며 이론적으로 무한한 에너지인 핵융합 (Fusion)은 대략 1955년 이후로 줄곧 "30년 뒤의 기술"로 여겨져 왔습니다. 이 농담은 오랫동안 살아남았습니다. AI는 이 농담이 덜 웃기게 만들고 있습니다.

플라즈마 제어에 대하여: 2022년, DeepMind와 EPFL의 Swiss Plasma Center는 실제 토카막 (tokamak)의 19개 자기 코일을 동시에 관리하는 심층 강화학습 (deep reinforcement learning) 제어기를 설명하는 Nature 논문을 발표했습니다 [6]. 이 제어기는 전적으로 시뮬레이션에서 훈련되었으며, 하드웨어에 배포되었습니다. 이는 이전의 어떤 제어기도 달성하지 못했던 플라즈마 구성을 유지했으며, 여기에는 동일한 용기 내에 두 개의 플라즈마 방울을 동시에 유지하는 최초의 사례도 포함되었습니다. 제어 주파수는 10 kHz로, 이전의 그 어떤 인간이나 물리 기반 시스템보다 빨랐습니다.

2년 후, DIII-D National Fusion Facility의 프린스턴 (Princeton) 팀은 한 단계 더 나아간 후속 논문을 발표했습니다 [7]. 그들의 강화학습 (RL) 에이전트는 단순히 플라즈마를 제어하는 것에 그치지 않고, 안정적인 핵융합의 지속적인 병목 현상인 플라즈마 붕괴 (disruptions)를 유발하는 찢어짐 불안정성 (tearing instabilities)을 예측하고 회피합니다. 이 모델은 붕림 (disruptions)을 300밀리초 전에 예측했습니다. 경로를 수정하기에 충분한 시간입니다. 테스트에서 이 시스템은 제어되지 않는 방전이 실패했던 상황에서도 플라즈마를 안정적으로 유지했습니다.

점화 (ignition)에 대하여: 2022년 12월 NIF가 역사상 처음으로 레이저 입력 에너지를 초과하는 에너지 출력을 기록하며 핵융합 점화를 달성했을 때, AI는 이미 이를 예측하고 있었습니다. 150,000개의 고충실도 (high-fidelity) 시뮬레이션으로 훈련된 LLNL의 인지 시뮬레이션 프레임워크는 레이저가 발사되기 전, 해당 특정 샷 설계에 대해 74%의 점화 확률을 할당했습니다 [8]. 실험 결과는 예측된 수율 범위 내에 있었습니다.

2025년 10월, DeepMind와 Commonwealth Fusion Systems는 CFS의 SPARC 토카막 (tokamak)에 AI를 적용하는 연구 파트너십을 공식화했습니다: 빠른 미분 가능한 플라즈마 시뮬레이션 (fast differentiable plasma simulation), 최대 순에너지 (net energy)를 위한 강화학습 (RL) 기반 최적화, 그리고 실시간 AI 플라즈마 제어 [9].

'30년 농담'은 업데이트가 필요할지도 모릅니다. 핵융합 문제가 해결되었기 때문이 아니라 — 아직 그렇지 않습니다 — 이를 공략하기 위해 사용할 수 있는 도구들이 5년 전과는 근본적으로 다르기 때문입니다.

과학의 속도가 변했다

지구의 날 (Earth Week) 관련 보도들이 놓치고 있는 핵심은 이것입니다: 이것은 단 하나의 돌파구에 관한 이야기가 아닙니다. 이것은 과학적 발견 (scientific discovery)의 근본적인 속도가 변하고 있다는 이야기입니다.

AI 보조 재료 스크리닝 (AI-assisted materials screening)이 등장하기 전에는 합성 처리량 (synthesis throughput)이 제약 사항이었습니다. 연간 테스트할 수 있는 화합물의 수는 한정되어 있었습니다. 이제 그 제약 사항이 이동하고 있습니다. 바로 AI가 생성한 가장 유망한 후보군들을 실제로 물리적으로 합성하는 과정이 제약 사항이 되고 있는 것입니다.

이것은 근본적으로 다른 병목 현상 (bottleneck)입니다. 그리고 이는 확장 (scale)되는 방식 또한 다릅니다. 컴퓨팅 (Compute)은 무어의 법칙 (Moore's Law)에 따라 확장되지만, 물리적 실험실은 인력과 자금에 따라 확장됩니다. 로보틱스 (robotics)와 자동화된 합성 (automated synthesis)이 이 격차를 메우기 전까지, AI가 제안할 수 있는 것과 실험실이 검증할 수 있는 것 사이의 간극은 수년간 더 벌어질 것입니다.

실질적인 함의는 다음과 같습니다: 후보군이 채워지는 파이프라인이 그것들을 처리하는 파이프라인보다 훨씬 더 길어지고 있다는 점입니다. 이것은 문제처럼 들릴 수 있습니다. 하지만 사실 이는 매우 긍정적인 문제입니다. 우리는 이전까지 재료 후보군이 풍족했던 적이 없었습니다. 우리는 항상 재료 후보군이 부족했습니다.

후보군 파이프라인이 길어진다는 것은 연구자들이 더 선택적으로 접근할 수 있음을 의미합니다. 연구자들은 단순히 안정성뿐만 아니라, 구성 원소의 지구상 풍부도 (earth-abundance), 독성 프로필 (toxicity profiles), 제조 호환성 (manufacturing compatibility), 그리고 비용까지 필터링할 수 있습니다. 후보군 풀 (candidate pool)이 이제 이를 뒷받침할 수 있을 만큼 충분히 커졌기 때문에 최적화 문제 (optimization problem)는 더욱 풍부해집니다.

몇 가지 파급 효과

현실적으로, AI가 기후 변화를 해결하지는 못할 것입니다. AI는 도구입니다. 훨씬 더 큰 문제의 특정 부분에 있는 특정 병목 현상에 적용되는, 놀라울 정도로 강력한 도구일 뿐입니다.

재료 발견 (Materials discovery)은 하나의 지렛대입니다. 그리드 인프라 (Grid infrastructure)가 또 다른 지렛대이며, 정책 (Policy), 행동 변화 (Behavioral change), 경제적 인센티브 (Economic incentives) 또한 각각의 지렛대입니다. AI는 이 지렛대들 중 정확히 단 하나, 그중에서도 연구 및 발견 (research-and-discovery) 부분만을 가속화합니다. 제조 규모 확대 (manufacturing scale-up), 규제 승인 (regulatory approval), 자본 형성 (capital formation), 설치 물류 (installation logistics) 등은 현재로서는 여전히 완고하게 인간의 속도에 머물러 있는 문제들입니다.

여기서 AI가 하는 역할은 "더 나은 배터리 소재가 필요하다"와 "테스트할 가치가 있는 만 개의 후보군이 여기 있다" 사이의 거리를 좁히는 것입니다. 이는 결코 작은 일이 아닙니다. 이는 상용화까지 10년이 걸릴 경로를 5년의 경로로 바꾸는 차이가 될 수 있습니다. 에너지 전환 (energy transition)의 규모에서 볼 때, 그 차이는 수 기가톤 (gigatons)의 탄소량으로 측정됩니다.

발견의 속도를 바꾸는 것은 전환의 속도를 바꾸는 것입니다. 이것은 매우 중요합니다.

과소평가된 이야기

지구의 주간 (Earth Week)은 재생 에너지 용량 추가, 전기차 (EV) 채택 곡선, 탄소 배출권 시장에 관한 보도로 가득 차 있습니다. 이것들은 실제적이며 중요합니다. 하지만 나중에 돌이켜 보았을 때 가장 유의미해 보일 이야기는 더 조용합니다. 바로 AI가 이제 인간 팀이 따라갈 수 없는 규모로 재료 과학자 (materials scientist)로서 작동하고 있다는 사실입니다.

우리는 수십 년 동안 원자 간 상호작용 (atomic interactions)을 모델링할 수 있는 계산 도구 (computational tools)를 보유해 왔습니다. 2023년과 2024년에 변화된 점은 AI가 그 공간을 지능적으로 탐색하고, 중요한 것을 예측하며, 우리가 지정한 제약 조건 (constraints)에 부합하는 후보군을 생성하는 법을 배웠다는 것입니다. GNoME의 규모와 MatterGen의 생성 능력 (generativity)의 결합은 진정으로 새로운 무언가를 나타냅니다.

이것은 단일한 발견이 아닙니다. 새로운 발견의 속도입니다. 만약 여러분이 지수 곡선 (exponential curves)과 선형적으로 제한된 프로세스에 지수적 도구가 적용될 때 어떤 일이 발생하는지에 대해 고민해 본 적이 있다면, 그 함의는 매우 중대합니다.

결론

청정 에너지 전환은 항상 에너지 문제의 탈을 쓴 재료 문제였습니다. 우리에게는 충분한 태양과 바람이 있었습니다. 하지만 그것을 효율적으로 포착하고, 저장하고, 이동시킬 적절한 물질이 없었습니다. 그러한 물질을 어렵게 찾아내는 방식은 너무 오래 걸렸습니다.

AI는 방금 그 "너무 오래 걸리는"의 의미를 바꾸어 놓았습니다.

200만 개의 새로운 후보 물질. 사양에 맞춘 생성적 설계 (Generative design). 단 1그램의 물질이 합성되기 전에 수백만 개의 후보를 걸러내는 계산적 스크리닝 (Computational screening).

병목 현상 (Bottleneck)이 제거된 것은 아닙니다. 하지만 위치가 이동했습니다. 그리고 병목 현상이 어디에 위치하느냐가 모든 것을 결정하는 지수적 시스템 (Exponential systems)에서는 더욱 그러합니다.

이번 지구의 날 (Earth Week)에 주목해야 할 이야기는 태양광이 얼마나 설치되었는지에 관한 것이 아닙니다. AI가 다음에 무엇을 위한 경로를 구축하고 있는지에 관한 이야기입니다.

여러분은 AI가 단기적으로 가장 큰 차이를 만들어낼 분야가 어디라고 생각하시나요: 배터리 및 태양광을 위한 재료 발견 (Materials discovery), 아니면 핵융합을 위한 플라즈마 제어 (Plasma control)인가요? 그리고 제가 언급하지 않았지만 더 많은 관심을 기울여야 할 청정 에너지 응용 분야가 있을까요?

참고 문헌 (References)

[1] Merchant, A., Batzner, S., Schaarschmidt, S.M. et al., "Scaling deep learning for materials discovery," Nature 624, 80–85, December 2023. https://doi.org/10.1038/s41586-023-06735-9

[2] National Academies of Sciences, Engineering, and Medicine, "Frontiers of Materials Research: A Decadal Survey," The National Academies Press, 2019. https://doi.org/10.17226/25244

[3] Zeni, C., Pinsler, R., Zügner, D. et al., "MatterGen: a generative model for inorganic materials design," Nature 637, 354–363, January 2025. https://doi.org/10.1038/s41586-024-08628-5

[4] Janek, J. & Zeier, W.G., "A solid future for battery development," Nature Energy 1, 16141, 2016. https://doi.org/10.1038/nenergy.2016.141