Skip to content
Published on

AI 재료과학 & 화학 2026 완벽 가이드 - DeepMind GNoME · Microsoft MatterGen · Orbital Materials · Citrine Informatics · Schrödinger · RoseTTAFold All-Atom · Boltz-1 · MACE · NequIP · DPMD 심층 분석

🇰🇷KO🇺🇸EN🇯🇵JA🇨🇳ZH
필사 모드
공유하기
Authors

들어가며 — 2026년 5월, 재료과학이 "AlphaFold 모먼트"를 통과하다

2024년 노벨 화학상을 David Baker(단백질 설계)와 Demis Hassabis · John Jumper(AlphaFold)가 가져간 사건은 단순한 뉴스가 아니었다. 계산 화학 + 딥러닝이 학계가 인정한 새로운 연구 방법론이 됐다는 선언이었다. 같은 흐름은 단백질을 넘어 무기 결정, 촉매, 배터리 전극, 폴리머로 확산 중이다.

2023년 11월 DeepMind GNoME가 220만 개 안정 결정 후보를 발표하고, 2025년 1월 Microsoft가 생성형 결정 모델 MatterGen을 공개하고, 같은 분기 Orbital Materials가 GPT 스타일 재료 파운데이션 모델 Orb-v3를 오픈소스로 풀면서 판이 완전히 바뀌었다. 2026년 5월 현재, "신소재 한 개를 발견하는 평균 비용"이 10년 전 1만 분의 1로 떨어졌다는 추정이 진지하게 논의된다. iter86 약물 설계 글에 이어, 이번 글은 그 인접 영역인 재료과학·화학을 본다.

왜 재료과학 AI가 2026년의 화두인가 — 발견 비용의 붕괴

전통 재료과학은 추측 → 합성 → 측정의 루프로 평균 18-30년이 걸렸다. 리튬이온 배터리, 페로브스카이트 태양전지, 고온 초전도체 모두 비슷한 길이의 발견-상용화 주기를 거쳤다. AI 재료과학이 이 주기를 깨려는 시도는 다음 세 가지 도구를 결합한다.

  • DFT(밀도범함수 이론) 시뮬레이션: 양자역학 기반 첫 원리 계산. 정확하지만 한 계산에 수 시간 이상.
  • 머신러닝 원자간 포텐셜(MLIP): DFT 정확도를 유지하면서 추론 속도를 10^4-10^6 배 가속.
  • 생성형 모델: 원하는 물성을 갖는 결정 구조를 새로 만들어 낸다.

이 세 도구를 결합해 "물성으로부터 후보 구조 생성 → MLIP로 빠른 1차 평가 → DFT로 검증 → 합성"이라는 역설계 파이프라인이 표준이 됐다.

DeepMind GNoME — 2.2M 결정 후보가 던진 충격

GNoME(Graph Networks for Materials Exploration)는 DeepMind가 2023년 11월 Nature 논문으로 공개한 결정 구조 발견 프로젝트다. 핵심 결과는 한 줄로 요약된다.

  • 220만 개 새로운 안정 결정 후보: 그중 38만 개가 합성 가능성이 높다고 분류.
  • 활성 학습 루프: 그래프 신경망이 후보를 제안 → DFT로 검증 → 검증된 결과를 다시 학습.
  • 공개: 데이터는 Materials Project Database에 통합 공개.

GNoME가 던진 충격은 단순한 숫자가 아니다. 48,000개(2023년까지 인류가 알던 안정 무기 결정)에서 220만 개로 한 단계에 단위가 두 자릿수 뛰었다. 후속 연구로 2024년에는 Berkeley A-Lab이 GNoME 후보 중 41개를 자동 합성에 성공하면서 "AI 발견 + 자동 합성" 루프가 실증됐다.

DeepMind는 GNoME 모델 자체는 비공개로 두고 데이터만 풀었다. 그러나 후속 연구자들이 같은 아이디어로 만든 오픈 모델이 빠르게 나오고 있는 상황이다.

Microsoft MatterGen — 생성형 결정 구조 모델의 표준

2025년 1월 Microsoft Research가 Nature에 발표하고 동시에 오픈소스로 푼 MatterGen은 확산(diffusion) 모델 기반 결정 구조 생성기다. GNoME가 "안정한 결정을 발견"했다면, MatterGen은 "원하는 물성을 갖는 결정을 디자인"한다.

  • 조건부 생성: 화학 조성, 대칭성, 자성, 밴드갭, 탄성률 등 물성 조건을 입력으로 받음.
  • 확산 모델 구조: 결정 좌표 + 격자 매개변수에 노이즈를 더한 후 역확산.
  • Equivariant GNN 백본: 회전·평행이동 대칭성을 학습 단계에서 보장.

Microsoft는 동일 라인업으로 MatterSim도 공개했다. MatterSim은 MatterGen이 생성한 구조의 안정성/물성을 빠르게 평가하는 시뮬레이터 역할이다. 두 모델을 묶어 "생성 + 평가" 파이프라인을 한 회사가 모두 제공한다는 점이 의미 있다.

MatterGen의 GitHub 리포지토리는 MIT 라이선스로 공개되어 있다.

# MatterGen 추론 예시(공식 README 의사 코드)
from mattergen.evaluation import StructureValidator
from mattergen.generation import MatterGenPipeline

pipe = MatterGenPipeline.from_pretrained("microsoft/MatterGen")
structures = pipe.sample(
    composition={"Li": 1, "Fe": 1, "P": 1, "O": 4},
    target_bandgap=2.5,
    n_samples=100,
)

validator = StructureValidator.from_pretrained("microsoft/MatterSim")
scored = validator.score(structures)

Orbital Materials Orb-v3 — 오픈소스 GPT 스타일 재료 파운데이션 모델

영국 스타트업 Orbital Materials는 2024-2025년 사이 Orb 시리즈를 발표하면서 빠르게 떠올랐다. Orb-v3(2025년 말)는 다음 특징을 가진다.

  • GPT 스타일 디코더 아키텍처: 원자 시퀀스를 자기회귀로 생성.
  • 수억 개 DFT 시뮬레이션 데이터로 학습.
  • 물성 예측 + 구조 생성 + 동역학 시뮬레이션을 한 모델로 처리.
  • Apache 2.0 오픈소스: Hugging Face Hub에 가중치 공개.

Orbital Materials는 "재료과학용 GPT-3 모먼트"를 목표로 한다고 명시한다. 단일 거대 모델을 학습해 두고, 다양한 다운스트림 태스크에 파인튜닝하는 패턴을 재료과학에 옮긴 것이다.

비슷한 흐름의 모델로 DPA-2(DeepModeling 컨소시엄, 중국), EquiformerV2(MIT, Hugging Face), PreFerredPotential(PFN 매트랜티스)가 있다. 2026년 5월 기준 "재료 파운데이션 모델"은 5-6개가 경쟁 중이다.

MACE — 머신러닝 원자간 포텐셜의 정확도 리더

분자동역학(MD) 시뮬레이션에서 가장 비싼 부분은 매 시간 스텝마다 원자 간 힘을 계산하는 것이다. DFT로 직접 계산하면 한 시뮬레이션에 며칠이 걸린다. MLIP(Machine-Learned Interatomic Potential) 는 이 힘 계산을 신경망으로 대체해 속도를 4-6 자릿수 가속한다.

MACE(MACE for atomistic simulations)는 케임브리지 대학 ACEnet 그룹이 만든 등변(equivariant) MLIP다. 2026년 5월 기준 정확도 부문 리더로 평가된다.

  • 고차 다체 메시지 패싱: 2-, 3-, 4-체 상호작용을 직접 모델링.
  • E(3) 등변성: 회전과 평행이동에 대한 대칭성을 구조적으로 보장.
  • Multi-fidelity: 적은 DFT 데이터로도 학습 가능.
  • MIT 라이선스: Cambridge ACEnet GitHub에 공개.

MACE의 성능은 다음 벤치마크에서 확인된다. SPICE 데이터셋, MPtrj(Materials Project 학습 분할), OC22/OC20(Open Catalyst), Matbench 등에서 상위권. 특히 Foundation Model 변형(MACE-MP-0, MACE-MP-2)은 사전학습된 가중치를 그대로 다운로드해 다양한 시스템에 zero-shot으로 적용할 수 있다.

# MACE Foundation Model 사용 예시
from mace.calculators import mace_mp
from ase.build import bulk

atoms = bulk("Si", "diamond", a=5.43)
calc = mace_mp(model="medium", dispersion=False, default_dtype="float32")
atoms.calc = calc
energy = atoms.get_potential_energy()
forces = atoms.get_forces()

NequIP, Allegro — 등변 신경망 포텐셜의 또 다른 축

MACE와 함께 등변 MLIP 진영의 양대 축은 NequIP(Neural Equivariant Interatomic Potentials)와 그 후속 Allegro다. 둘 다 하버드 MIT 공동연구진(Boris Kozinsky 그룹)의 작품이다.

  • NequIP: 등변 메시지 패싱. 작은 데이터셋에서 SchNet 대비 정확도 큰 폭 향상.
  • Allegro: NequIP의 후속. 비-체이닝(local) 구조로 GPU 병렬화 효율 높음.
  • 둘 다 MIT 라이선스 오픈소스.

학습 데이터를 똑같이 주면 MACE와 NequIP/Allegro의 정확도는 종종 동률에 가깝다. 차이는 하드웨어 친화성과 학습 안정성에서 갈린다. 대규모 시스템(수만 원자)에서는 Allegro가 메시지 패싱 깊이가 얕아서 더 빠른 경향이 있다.

DeePMD-kit — 중국발 대규모 MLIP 프레임워크

DeePMD-kit(DPMD)은 베이징 컴퓨터과학연구원과 프린스턴 e-CAS 협력으로 개발된 MLIP 프레임워크다. DeepModeling 컨소시엄(Bohrium, AISI Beijing 등)이 후속 관리.

  • Deep Potential Smooth Edition(DeepPot-SE): 원자 좌표를 매끄러운 입력으로 변환하는 인코딩.
  • DPA-1, DPA-2 파운데이션 모델: 수십만 분자/결정 시스템 사전학습.
  • LAMMPS 통합: 기존 분자동역학 시뮬레이터에 플러그인으로 들어감.
  • DP-GEN: 활성 학습 루프 자동화 도구.

중국발 LLaMA에 견줄 만큼, DPMD는 재료과학 MLIP의 "동방 축"으로 자리잡았다. 학술논문 인용 수와 깃허브 스타 모두 MACE/NequIP과 어깨를 나란히 한다.

SchNet, PaiNN, MatGL, CHGNet — 1세대 그래프 신경망 포텐셜 라인업

등변 MLIP가 등장하기 전, 재료과학 GNN의 표준은 SchNet과 PaiNN(둘 다 베를린 TU 그룹)이었다. 2026년에도 가벼운 시스템이나 빠른 프로토타입에는 여전히 쓰인다.

  • SchNet: 거리 기반 메시지 패싱. 2017년 제안, 분자/결정 모두 적용.
  • PaiNN: SchNet의 방향성 확장. 더 빠르고 정확.
  • MatGL/M3GNet: 캘리포니아대 산디에고. Materials Project가 공식 후원. 결정 + 분자 통합 모델.
  • CHGNet: 버클리 LBNL. 자성 상태와 전하 분포까지 학습.
  • ALIGNN: NIST JARVIS의 라인업. 라인 그래프 인코딩 활용.

CHGNet은 특히 Materials Project가 학습 데이터로 사용한 모든 자성/비자성 구조를 다룬다는 점에서 "범용 결정 시뮬레이터" 후보로 자주 등장한다.

Materials Project — 공개 데이터베이스의 황제

Materials Project(Lawrence Berkeley National Lab + UC Berkeley, Kristin Persson)는 2011년 출범한 무기 결정 DFT 데이터베이스다. 2026년 5월 기준 약 15만 개 무기 결정의 DFT 계산 결과를 공개한다.

  • 속성 제공: 형성 에너지, 밴드갭, 탄성, 자성, 유전상수 등 수십 가지.
  • REST API: mp-api 파이썬 라이브러리로 직접 조회.
  • MPContribs: 사용자 기여 데이터 트랙.
  • MatGL/M3GNet, CHGNet의 학습 데이터가 주로 MP에서 나온다.
# Materials Project API 사용 예시
from mp_api.client import MPRester

with MPRester(api_key="YOUR_KEY") as mpr:
    results = mpr.materials.summary.search(
        elements=["Li", "Fe", "P", "O"],
        formula="LiFePO4",
        fields=["material_id", "formula_pretty", "band_gap", "formation_energy_per_atom"],
    )
    for r in results:
        print(r.material_id, r.formula_pretty, r.band_gap)

GNoME가 발견한 220만 개 후보는 2024년 이후 점진적으로 MP에 통합되고 있다. 즉, MP에 가면 GNoME 결과를 쿼리할 수 있다.

OQMD, AFLOW, NOMAD, JARVIS — 공개 DB 4대 형제

Materials Project 외에도 무기 재료 공개 DB는 4개가 더 있다.

  • OQMD(Open Quantum Materials Database): 노스웨스턴대. 100만 개 이상의 DFT 계산. 합금 위주.
  • AFLOWlib: 듀크대. 자동화된 DFT 워크플로 결과. Inorganic Crystal Structure Database(ICSD)와 깊이 연계.
  • NOMAD: 막스플랑크 + EU FAIR-DI 컨소시엄. 모든 DFT 코드의 결과를 통합 저장.
  • JARVIS(Joint Automated Repository for Various Integrated Simulations): NIST. 결정 + 2D 재료 + 자성 + 토폴로지컬 + Allyn 인쇄 등.

각 DB의 강점이 다르다. 합금 검색은 OQMD, 2D 재료는 JARVIS, 다중 코드 호환은 NOMAD, 첫 진입은 Materials Project가 보통이다.

Citrine Informatics — 엔터프라이즈 재료 AI의 표준

Citrine Informatics(2013 설립, 본사 캘리포니아)는 재료과학 AI를 엔터프라이즈에 파는 회사다. 2026년 5월 기준 BASF, Panasonic, Boeing, Saint-Gobain 등 수십 개 글로벌 화학·소재 기업의 R&D 파트너다.

  • Citrination 플랫폼: 데이터 인제스천 + 활성 학습 + 후보 추천 + 실험 디자인.
  • Pythonic SDK: citrine-python으로 데이터 모델 정의와 실험 디자인 가능.
  • 온프레미스 + SaaS 양쪽 제공: 화학·소재 회사의 보안 요구사항 대응.

Citrine은 "AI 발견"보다 "의사결정 자동화"에 초점을 둔다. 회사가 가진 사내 데이터(특허, 실험 기록, 시뮬레이션 결과)를 모두 모아 의사결정 모델로 만드는 것이 본질이다.

비슷한 포지셔닝의 경쟁사로 Materials Zone(이스라엘), Uncountable(미국), Phaseshift(미국)가 있다.

Schrödinger — NASDAQ 상장 약물·재료 AI 강자

Schrödinger(NASDAQ: SDGR)는 1990년 설립된 양자화학 소프트웨어 회사로 출발했다. 2026년 5월 기준 시가총액 약 80억 달러 규모의 상장사이며, 약물 발견 + 재료 발견 두 트랙을 모두 운영한다.

  • Maestro: 분자 모델링 GUI 환경.
  • Jaguar: 양자화학 계산 엔진(DFT, MP2 등).
  • Materials Science Suite: 폴리머, OLED, 배터리 전해질 등 재료 트랙.
  • LiveDesign: 약물 발견용 클라우드 협업 환경.

Schrödinger는 자체 약물 후보(SGR-1505, SGR-2921 등)를 임상까지 진행하는 동시에, 대형 제약사(BMS, J&J, 다케다)와 협력 R&D 계약을 맺는다. 매출의 상당 부분이 소프트웨어 라이선스 + 약물 협업 마일스톤에서 발생한다.

RoseTTAFold All-Atom — 단백질·재료 통합 모델

2024년 5월 David Baker 그룹(워싱턴대학 IPD)이 Science에 발표한 RoseTTAFold All-Atom(RFAA) 은 단백질·핵산·소분자·금속이온·공유결합 변형을 모두 한 모델로 예측한다. 단백질만 다루던 RoseTTAFold 2의 후속이다.

  • 단일 모델로 단백질-약물 도킹, 핵산-단백질 복합체, 항원-항체 복합체 등 처리.
  • AlphaFold 3와 동시기 경쟁: AF3가 비상업 라이선스를 두는 동안 RFAA는 학술 + 비상업 사용을 더 넓게 허용.
  • RoseTTAFold Diffusion(RFdiffusion): 단백질 생성 모델. 새로운 결합체를 디자인.

David Baker는 RoseTTAFold + RFdiffusion + 단백질 디자인 패러다임으로 2024년 노벨 화학상을 공동 수상했다. iter86 약물 설계 글에서 단백질 측면을 더 깊게 다뤘다.

Boltz-1, Chai-1, ESM-3 — AlphaFold 3 오픈 대안 라인업

AlphaFold 3가 2024년 5월 Nature에 등장한 직후, 오픈소스 대안이 빠르게 나왔다.

  • Boltz-1(MIT, 2024년 11월): AlphaFold 3에 견줄 단백질-리간드 복합체 예측. MIT 라이선스.
  • Boltz-2(2025년 후반): 친화도(affinity) 예측까지 통합.
  • Chai-1(Chai Discovery, 2024): 영리 스타트업의 오픈 가중치 모델.
  • ESM-3(EvolutionaryScale, Meta FAIR 스핀오프): 단백질 시퀀스/구조/함수 통합 LLM.
  • OpenFold: AlphaFold 2 오픈 재구현. Columbia + AQEMIA 협력.
  • ColabFold: AlphaFold/RoseTTAFold를 Google Colab에서 실행 가능하게 만든 인기 도구.

2026년 5월 기준 Boltz-2가 학술 진영에서 가장 자주 인용되는 AF3 대안이다. Chai-1은 상용 약물 발견 워크플로에 더 많이 채택된다.

Atomwise, Isomorphic Labs, Genesis Therapeutics — AI 신약 발견 양대 트랙

재료과학과 분자 설계 경계에 있는 AI 신약 발견 회사들은 따로 정리해야 한다. iter86 약물 설계 글의 보완 차원에서 짧게 본다.

  • Isomorphic Labs(2021 분사, Alphabet 산하): DeepMind에서 분사된 약물 발견 회사. AlphaFold 3 핵심 팀이 합류. Novartis, Eli Lilly와 협업 계약.
  • Atomwise(2012 설립, 샌프란시스코): AtomNet 합성곱 신경망 기반 도킹. 수십 개 약물 후보를 임상까지.
  • Genesis Therapeutics(스탠퍼드 분사, 2019): GEMS 플랫폼. 그래프 신경망 기반 분자 설계. Genentech와 협업.
  • Recursion Pharmaceuticals(NASDAQ: RXRX): 표현형 스크리닝 + AI. NVIDIA가 5천만 달러 투자.
  • Exscientia(나스닥 합병 후 Recursion에 인수): 자동화 약물 디자인.
  • Insitro(2018 설립, 다프네 콜러): ML + 유도만능줄기세포(iPSC) 결합 신약.

이 회사들은 재료과학 회사라기보다 AI 신약 발견이 본업이지만, 같은 분자 시뮬레이션 + 그래프 신경망 + 생성형 모델 스택을 공유한다.

DFT + AI — VASP, Quantum ESPRESSO, JAX-DFT, DM21

고전 DFT 도구는 여전히 재료과학의 백본이다. AI는 이들을 대체하기보다 가속하는 역할로 합류한다.

  • VASP(Vienna Ab initio Simulation Package): 독점 라이선스. 기업·국가연구소 표준.
  • Quantum ESPRESSO: GPL 오픈소스. 학계 표준.
  • Gaussian, ORCA, Psi4: 분자 양자화학용.
  • CP2K, ABINIT: 결정·표면 시뮬레이션.
  • JAX-DFT(Google DeepMind, 2024): 자동미분 친화 DFT 구현.
  • DM21(DeepMind, 2021): 머신러닝 교환-상관 범함수. 정확도 향상.

ASE(Atomic Simulation Environment, Python)는 위 도구들을 공통 인터페이스로 묶는 표준 라이브러리다. 2026년에도 ASE 없이 재료과학을 한다는 건 상상하기 어렵다.

합성 경로 계획 — IBM RXN, AiZynthFinder, Synthia, Postera

약물·소재 후보 분자를 찾으면 다음 단계는 합성 경로다. 어떤 출발물질로 어떤 반응을 거쳐 만들 수 있는지를 AI가 예측한다.

  • IBM RXN for Chemistry: 트랜스포머 기반 retrosynthesis. IBM Cloud SaaS.
  • AiZynthFinder(AstraZeneca, 2020 오픈): 몬테카를로 트리 서치 + 신경망. MIT 라이선스.
  • Synthia(전 SciFinder Synthia): CAS의 상용 retrosynthesis.
  • Postera Manifold: COVID-19 Moonshot 프로젝트에서 출발. 상용 SaaS.
  • Molecule.one: 폴란드 스타트업. 합성 가능성 점수 + 경로 예측.

retrosynthesis 모델의 정확도는 2026년 기준 "전문 화학자 수준"에 근접한 것으로 평가된다. AiZynthFinder는 오픈소스로 공개되어 있어 학술 연구에 가장 자주 등장한다.

# AiZynthFinder 사용 예시
from aizynthfinder.aizynthfinder import AiZynthFinder

filename = "config.yml"
finder = AiZynthFinder(configfile=filename)
finder.stock.select("zinc")
finder.expansion_policy.select("uspto")
finder.target_smiles = "Cn1cnc2c1c(=O)n(C)c(=O)n2C"
finder.tree_search()
finder.build_routes()
print(finder.routes[0].metadata)

자동화 합성 랩 — Strateos, Emerald Cloud Labs, OpenTrons

AI가 후보를 추천하고 합성 경로를 짜면, 실제로 합성해 보는 단계가 남는다. 2026년 자동화 합성 랩은 다음 두 갈래다.

  • 클라우드 랩: 실험을 코드로 작성하면 원격 시설이 자동 실행. Strateos(전 Transcriptic), Emerald Cloud Lab 양강.
  • 데스크톱 자동화: 연구실에 설치하는 자동화 장비. OpenTrons(액체 핸들링 오픈하드웨어), Chemspeed(상용).
  • 자율 합성 로봇: AI 의사결정 + 로봇 팔. Berkeley A-Lab, University of Liverpool's mobile robotic chemist.

A-Lab은 GNoME 후보 41개를 17일 만에 자동 합성에 성공해 화제가 됐다(Nature 2023). 이 흐름은 "AI가 발견 → 자동 합성 → 데이터 다시 학습"의 자가 발전 루프를 완성하는 핵심이다.

배터리 + 에너지 재료 — 솔리드 스테이트와 분자 시뮬레이션

배터리는 재료과학 AI의 가장 큰 응용 분야다. 다음이 주목할 만하다.

  • 고체전해질: A123 Systems, QuantumScape, Solid Power. AI가 새 고체전해질 후보를 발굴.
  • Form Energy: 철-공기 장기 저장. 재료 후보 스크리닝에 ML 적극 활용(iter96 에너지 글).
  • DeepMind 배터리 협업: 2024년 LBNL과 결정 + 전해질 협력. GNoME 결과 활용.
  • Toyota Research Institute(TRI): 2017년부터 ML 가속 배터리 발견 프로그램. UC Berkeley + Stanford + MIT와 협력.

배터리는 "재료 + 셀 디자인 + 사이클 수명 + 안전성"을 모두 다뤄야 해서, MLIP만으로는 부족하고 전기화학 + 열역학 + 기계공학 시뮬레이션의 결합이 필요하다. Citrine, Materials Zone 같은 회사가 이 통합 시뮬레이션 영역을 노린다.

미국 재료 게놈 이니셔티브(MGI) + EU Battery 2030+

정부 단위 재료 AI 프로그램은 미국과 EU가 가장 잘 정리되어 있다.

  • US MGI 2.0(2021 발표): NIST 주도. 데이터 표준화 + AI/ML 통합 + 인력 양성.
  • NIST JARVIS, MGI Hub: MGI 산하 데이터·도구 인프라.
  • EU Battery 2030+: 2020 발표, 2030년까지 배터리 R&D 가속 로드맵.
  • EU NOMAD Lab: 다국적 DFT 데이터 통합.
  • EU AI4Industry: 산업 AI 컨소시엄.

각 프로그램의 핵심은 데이터 표준 + 오픈 도구 + 산학협력이다. 미국이 데이터·도구를 만들고 기업이 응용하면, EU는 같은 도구를 공유하면서 산업 전환에 더 무게를 둔다.

한국 재료 AI — KIST, KIMS, POSTECH, 삼성, LG

한국 재료 AI 생태계는 다음 축으로 구성된다.

  • 한국과학기술연구원(KIST) 인공지능연구단: AI 재료 디스커버리 트랙. 배터리·촉매 응용.
  • 한국재료연구원(KIMS): 합금, 자성, 세라믹 도메인. 한국 재료 게놈 이니셔티브(KMGI) 주도.
  • POSTECH 신소재공학과: 재료 AI 트랙. Han Yong Kim 그룹 등.
  • KAIST 생명화학공학과 + 신소재공학과: 분자/배터리 ML 연구.
  • 삼성 SDI / LG에너지솔루션 / SK온: 배터리 재료 AI. 자체 데이터 + Citrine·Schrödinger 협업.
  • 삼성종합기술원: 반도체·디스플레이 신소재 AI.
  • LG화학 미래기술센터: 폴리머·바이오 화학 AI.
  • SK하이닉스 HBM 재료 AI 트랙: HBM 인터커넥트·열계면 재료 최적화.

한국 정부도 2023년부터 "한국형 재료 게놈 이니셔티브" 예산을 본격 증액했다. 2026년 5월 기준 KMGI 산하 데이터 플랫폼(MaPS)이 베타 운영 중이다.

일본 재료 AI — NIMS, PFN Matlantis, AIST, Mitsubishi Chemical

일본은 재료 AI에서 정부 + 대기업 + 대학의 연계가 특히 촘촘하다.

  • NIMS(国立物質・材料研究機構): 일본 재료 연구의 본산. 1956년 설립. MI2I(Materials Integration by Network Initiative) 프로그램 주도.
  • AIST(産業技術総合研究所): AI4Materials 컨소시엄.
  • 東京大学 + 京都大学 + 東北大学: 재료 정보학(MI) 학과 정착.
  • Mitsubishi Chemical Holdings + Preferred Networks(PFN): 2021년 합작 Matlantis 발표. PFN의 PreFerredPotential 파운데이션 모델을 클라우드 SaaS로 제공.
  • Asahi Kasei, Showa Denko, Toray, Sumitomo Chemical: 자체 ML 재료 그룹.
  • Toyota Research Institute(TRI, 미국 캘리포니아): 일본계 자본의 미국 AI 재료 거점.

Matlantis는 특히 주목할 만하다. 학술 도구가 아니라 상용 SaaS로 MLIP를 제공한 최초의 글로벌 서비스다. 화학·소재 회사가 API로 시뮬레이션을 요청하고 결과를 받는 모델이다.

화학정보학 라이브러리 — RDKit, DeepChem, PyG, e3nn

분자/결정을 다루는 파이썬 표준 라이브러리는 다음 4개다.

  • RDKit: BSD 라이선스. 분자 SMILES/SDF 파싱, 지문(fingerprint), 시각화. 화학정보학의 정석.
  • DeepChem: Vijay Pande(전 스탠퍼드) 그룹 출발. 화학 ML 워크플로 통합.
  • PyG(PyTorch Geometric): 그래프 신경망 일반 라이브러리. 분자/결정에 자주 사용.
  • e3nn: 등변 신경망 라이브러리. MACE, NequIP, Allegro의 백엔드.
  • ASE(Atomic Simulation Environment): 위에서 다룬 시뮬레이션 코드 통합 표준.
  • Pymatgen: Materials Project 공식 파이썬 라이브러리. 결정 구조 조작.
  • PySCF: 양자화학 파이썬 구현. 분자 DFT/HF 계산.
# RDKit 분자 지문 예시
from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles("CC(=O)OC1=CC=CC=C1C(=O)O")  # 아스피린
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
print(f"fingerprint bits set: {sum(fp)}")

학회와 워크숍 — MRS, ACS, NeurIPS AI4Mat

재료 AI 연구가 발표되는 주요 무대는 다음과 같다.

  • MRS Spring/Fall Meeting: Materials Research Society. 재료과학 전반.
  • ACS National Meeting: American Chemical Society. 화학 + 재료 통합.
  • APS March Meeting: American Physical Society. 응집물질물리 위주.
  • NeurIPS AI4Mat 워크숍: 2022년부터 매년. ML 진영에서 본 재료과학.
  • ICML AI4Science: 동일 분야 ICML 트랙.
  • AI for Science Workshop(ICLR, NeurIPS).
  • MGI Annual Meeting, Korean Materials Society 춘추계 학회.

학회 트렌드는 분명하다. 순수 ML 학회(NeurIPS, ICML)에서 재료 트랙이 빠르게 성장하면서, 전통 재료 학회(MRS, ACS)는 ML 세션을 본 트랙에 편입하는 흐름이다.

한계와 과제 — AI 재료과학이 아직 못 푸는 것

2026년 5월 기준 AI 재료과학은 여전히 다음 한계를 가진다.

  • 합성 가능성과 안정성의 격차: 220만 개 GNoME 후보 중 실제 합성된 것은 수십~수백 개 수준. "가상으로 안정"과 "실제로 합성 가능"은 같지 않다.
  • 데이터 편향: DFT 데이터가 단순 결정 위주. 비결정 재료(유리, 폴리머, 합금), 결함, 표면, 인터페이스는 데이터 부족.
  • 유기 재료의 정확도: 무기 결정에 비해 OLED, 폴리머, 약물 분자의 ML 예측 정확도는 아직 부족.
  • 자성·강상관 시스템: DFT 자체의 한계로 자성·고온 초전도·강상관 시스템은 신뢰도가 떨어진다.
  • 블랙박스 우려: 생성형 모델이 왜 그 구조를 추천했는지 설명력이 약하다.
  • 재현성 위기: 학습 데이터, 코드, 하이퍼파라미터가 모두 공개되어야 재현 가능. OSS화가 진행 중이지만 100%는 아니다.

이 한계들이 풀리는 속도는 곧 "재료과학 AlphaFold 모먼트"가 어디까지 갈지를 결정한다.

마치며 — 2026년 5월, "추측의 시대"가 끝나고 있다

이 글의 출발 질문은 단순했다. "재료과학에 AlphaFold 같은 게 가능한가." 2026년 5월의 답은 "이미 일어나고 있다"이다. GNoME 220만 후보, MatterGen 조건부 생성, Orb-v3 오픈 파운데이션, MACE/NequIP MLIP, Materials Project 인프라, A-Lab 자동 합성 로봇 — 이 모든 조각이 2-3년 사이에 한꺼번에 갖춰졌다.

남은 과제는 이 도구들을 어떻게 산업 전환에 연결할 것인가다. 학술 논문이 아니라 실제 배터리 셀, 실제 항암제, 실제 OLED 패널이 나와야 한다. 그래서 Citrine·Schrödinger·Matlantis 같은 상용 다리(commercial bridge)가 향후 5년의 핵심 변수다.

재료과학 종사자라면 지금이 가장 변동성이 높은 시기다. 동시에 가장 보상이 큰 시기이기도 하다. AI 도구를 두려워하지 말고, 자기 도메인 지식 위에 한 겹 올려 사용하는 사람이 가장 빠르게 결과를 낸다.

References

Discuss on Twitter • View on GitHub