물리법칙 탑재한 ‘AI’…신소재 탐색효율 확 높였다 작성일 10-02 62 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">- KAIST 기계공학과 유승화 교수 연구팀</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="3DuBCO9H1Q"> <figure class="figure_frm origin_fig" contents-hash="e263c424cb8c67095ae7e4627c58aefa1fcc2854f964bd4fcda31840810d80ab" dmcf-pid="0w7bhI2XtP" dmcf-ptype="figure"> <p class="link_figure"><img alt="이번 연구를 수행한 연구진. 이송호(왼쪽부터) KAIST 박사과정, 박동근 박사과정, 문현빈 박사과정, 유승화 교수, 임재혁(윗줄 원 안) 경희대학교 교수, 와비 데메케 KAIST 박사.[KAIST 제공]" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202510/02/ned/20251002081449965tjdu.png" data-org-width="900" dmcf-mid="tK53EcUlXM" dmcf-mtype="image" height="auto" src="https://img3.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202510/02/ned/20251002081449965tjdu.png" width="658"></p> <figcaption class="txt_caption default_figure"> 이번 연구를 수행한 연구진. 이송호(왼쪽부터) KAIST 박사과정, 박동근 박사과정, 문현빈 박사과정, 유승화 교수, 임재혁(윗줄 원 안) 경희대학교 교수, 와비 데메케 KAIST 박사.[KAIST 제공] </figcaption> </figure> <p contents-hash="6f80a8fc705aa1656cb1237bc8eb2e30778f97d5c67aff9f7ee62ab5d944344b" dmcf-pid="pHMJ3tLKZ6" dmcf-ptype="general">[헤럴드경제=구본혁 기자] 신소재 개발의 핵심 단계인 ‘물성 규명’은 그동안 방대한 실험 데이터와 고가 장비에 의존해야 해 연구 효율이 낮다는 한계가 있었다.</p> <p contents-hash="c21edb248580f446448d6ce55a09b52d88b36cac041222997b08dd330099dde7" dmcf-pid="UXRi0Fo918" dmcf-ptype="general">국내 연구진이 재료와 에너지의 변형과 상호작용을 지배하는 ‘물리법칙’을 AI와 결합한 새로운 기법을 통해, 데이터가 부족한 상황에서도 신소재를 신속히 탐색하고 설계와 검증까지 빠르게 수행할 수 있는 기반을 마련했다.</p> <p contents-hash="77c3243098ff8b16ed53def65934f7481a781741b76d5c61f52ba923e0be5b99" dmcf-pid="uZenp3g254" dmcf-ptype="general">KAIST는 기계공학과 유승화 교수 연구팀이 경희대학교 임재혁 교수, 한국전기연구원 류병기 박사와 각각 공동연구를 통해, 물리 법칙을 인공지능 학습 과정에 직접 반영하는 물리 기반 머신러닝(Physics-Informed Machine Learning, PIML) 기법을 활용, 적은 양의 데이터만으로도 소재 물성을 정확히 규명할 수 있는 새로운 방법을 제시했다고 2일 밝혔다.</p> <p contents-hash="8997d4f177592036fc253eb7b3e4872aec4f7fae6cae1f6c21ffdaaed02abfbe" dmcf-pid="75dLU0aVZf" dmcf-ptype="general">먼저 첫 번째 연구에서는 고무와 같은 잘 늘어나는 초탄성(hyperelastic) 소재를 대상으로, 단 한번의 실험에서 얻은 적은 양의 데이터만으로도 재료의 변형 모습과 성질을 동시에 알아낼 수 있는 ‘물리 기반 인공 신경망(Physics-Informed Neural Network, PINN)’기법을 제시했다.</p> <p contents-hash="fbf0de1c842a96a57f7274ab7662a2c6051bf186e9922a03f321f45ffc2c2001" dmcf-pid="z1JoupNfXV" dmcf-ptype="general">기존에는 많은 양의 복잡한 데이터를 모아야만 가능했지만, 이번 연구는 데이터가 부족하거나 제한적이거나 잡음이 포함된 상황에서도 안정적으로 소재 특성을 재현할 수 있음을 입증했다.</p> <p contents-hash="c0744770088a1b1aa9c94df4f6f0af7a97690257e324425e7f43257c70292bf0" dmcf-pid="qtig7Uj452" dmcf-ptype="general">두 번째 연구에서는 열을 전기로, 전기를 열로 바꾸는 신소재인 ‘열전 소재’를 대상으로, 단 몇 개의 측정값만으로도 열을 얼마나 잘 전달하는지(열전도도)와 전기를 얼마나 잘 만들어내는지(제벡 계수) 같은 핵심 지표를 추정할 수 있는 PINN 기반 역추정 기법을 제안했다.</p> <figure class="figure_frm origin_fig" contents-hash="77b3dc36ee66e6f39782c323fcb73bbbe28d44ac0e9ac6644cd9ee0182852221" dmcf-pid="BFnazuA8Y9" dmcf-ptype="figure"> <p class="link_figure"><img alt="소재 물성 파악을 위한 물리기반 머신러닝 방법론 개략도.[KAIST 제공]" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202510/02/ned/20251002081450211shoy.png" data-org-width="622" dmcf-mid="FOxdF1nbZx" dmcf-mtype="image" height="auto" src="https://img1.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202510/02/ned/20251002081450211shoy.png" width="658"></p> <figcaption class="txt_caption default_figure"> 소재 물성 파악을 위한 물리기반 머신러닝 방법론 개략도.[KAIST 제공] </figcaption> </figure> <p contents-hash="d1946517c6601e8f947a7103324d57075e75eeecaac696300347cdfbd2d7437b" dmcf-pid="b3LNq7c6HK" dmcf-ptype="general">연구팀은 자연의 물리 법칙까지 이해하는 인공지능인 ‘물리 기반 신경 연산자(Physics-Informed Neural Operator, PINO)’를 도입해 학습되지 않은 신소재에도 재학습 과정 없이 일반화가 가능함을 보여주었다.</p> <p contents-hash="5cd0c13af0de622893269fa54f95889f64fa6217353cff82ac2ebd2728a7b259" dmcf-pid="K0ojBzkP1b" dmcf-ptype="general">실제 20개 소재로 학습한 뒤, 60개의 새로운 소재를 대상으로 테스트했는데, 모두 높은 정확도로 성질을 맞혀냈다. 이로써 앞으로 수많은 신소재 후보를 빠르게 골라내는 고속·대량 소재 탐색이 가능해질 전망이다.</p> <p contents-hash="708b5f78663ebc3a505fe3a218ab9b142765b9e2e41a0da6c54ad20c5c71952e" dmcf-pid="9pgAbqEQtB" dmcf-ptype="general">이번 성과는 단순히 ‘실험을 줄였다’는 수준을 넘어선다. 물리 법칙과 인공지능을 정교하게 결합해, 실험 효율은 높이고 신뢰성은 지킨 첫 사례이기 때문이다.</p> <p contents-hash="fd7a7395be0127dc778bf048061562a2c2e941cb45d8787e6ea34939eed041ce" dmcf-pid="2UacKBDxZq" dmcf-ptype="general">유승화 교수는 “이번 성과는 물리 법칙을 이해하는 인공지능을 실제 소재 연구에 적용한 첫 사례”라며 “데이터 확보가 제한적인 상황에서도 물성을 신뢰성 있게 규명할 수 있어 다양한 공학 분야로 확산될 것”이라고 말했다.</p> </section> </div> <p class="" data-translation="true">Copyright © 헤럴드경제. 무단전재 및 재배포 금지.</p> 관련자료 이전 윤호중 행안부 장관 “전자정부 1위 도취…노후 설비 교체 소홀” 사과 10-02 다음 페더러, 2026년 테니스 명예의 전당 헌액 대상 후보로 선정 10-02 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
