신소재는 이미 넘쳐나는데, 왜 우리 손에는 안 들어올까
요즘 기술 뉴스 보면 “AI가 하루 만에 수십만 개의 신소재 후보를 찾아냈다” 같은 얘기 심심찮게 나오죠. 구글 딥마인드가 GNoME라는 모델로 안정적인 결정 구조 220만 개를 예측했다는 발표가 딱 그런 사례거든요. 그런 뉴스를 보면 “와, 이제 배터리도 반도체도 태양광도 엄청 빨리 좋아지겠네?” 싶은데, 막상 우리가 실제로 쓰는 제품은 그만큼 극적으로 안 바뀌잖아요. 뭔가 이상하죠.
atomscale.ai라는 회사가 이 지점을 정확히 짚습니다. 소재 혁신의 진짜 병목은 '발견(discovery)'이 아니라 '스케일업(scale-up)'이라는 거예요. 스케일업이 뭐냐면, 실험실에서 손톱만큼 만든 물질을 공장에서 톤 단위로 똑같이 찍어내는 과정을 말해요. 그리고 바로 여기서 대부분이 죽습니다.
왜 실험실과 공장 사이에 '죽음의 계곡'이 있을까
한번 상상해볼게요. 연구원이 실험실에서 1그램짜리 신소재 샘플을 만들어서 “성능 죽인다!”를 확인했어요. 근데 이걸 킬로그램, 다시 톤 단위로 키우려고 하면 온도, 압력, 불순물, 반응 시간 같은 수백 개의 변수가 전부 어긋나기 시작해요. 작은 비커에서는 열이 금방 퍼지는데, 큰 반응기에서는 가운데만 뜨겁고 바깥은 차가운 식이거든요. 그래서 실험실에선 완벽했던 물질이 양산 라인에선 순도도 안 나오고, 균일하지도 않고, 단가는 폭발합니다.
이 구간을 업계에서는 '죽음의 계곡(valley of death)'이라고 불러요. 신약 개발에서 후보 물질은 많은데 실제 약이 되는 건 극소수인 것과 똑같은 구조예요. 발견은 이제 AI 덕분에 싸고 빨라졌는데, 스케일업은 여전히 몇 년씩 걸리고 수백억이 들어요. atomscale의 주장은, 그동안 AI가 몰려간 곳(발견)은 이미 공급 과잉이고, 정작 돈과 시간이 녹는 곳(공정 최적화, 양산)에는 아무도 머신러닝을 제대로 안 붙였다는 거예요.
업계 흐름에서 보면
지난 몇 년간 '소재를 위한 AI'는 대부분 발견 쪽이었어요. Materials Project, Citrine, 그리고 앞서 말한 GNoME까지 전부 “새로운 후보를 얼마나 많이 찾느냐”에 집중했거든요. 그런데 후보 리스트가 220만 개가 되어도, 그중 실제 제품이 되는 건 손에 꼽아요. 병목이 발견에서 실행으로 옮겨간 거죠. atomscale은 여기서 방향을 틀어서, 공정 변수 최적화와 스케일업 예측에 ML을 쓰겠다는 포지션을 잡은 거고요. 반도체 공정에서 이미 하고 있는 '가상 계측', '공정 레시피 최적화'를 소재 전반으로 확장하는 그림이라고 보면 이해가 쉬워요.
한국 엔지니어·데이터 하는 분들에게
사실 이건 우리한테 남 얘기가 전혀 아니에요. 한국은 배터리(LG에너지솔루션, 삼성SDI), 반도체 소재, 디스플레이까지 '소재 강국'을 노리는 나라잖아요. 2019년 일본 수출 규제 때 소부장(소재·부품·장비)이 왜 중요한지 다들 뼈저리게 느꼈고요. 그 소부장의 승부처가 바로 이 스케일업 구간이에요.
데이터 하는 분들한테도 시사점이 커요. 발견 단계는 화려하지만, 실제 가치는 '지저분한 공정 데이터'를 다루는 데서 나온다는 거예요. 센서 로그, 공정 파라미터, 불량률 같은 현장 데이터를 모델링하는 역량이 앞으로 훨씬 귀해질 수 있어요. 반짝이는 생성 모델보다, 공장 라인의 시계열 데이터를 붙잡고 씨름하는 사람이 진짜 돈을 버는 시대가 올 수도 있고요.
정리하면
- 신소재는 이제 넘쳐나요. 부족한 건 '실험실 → 공장'을 건너는 다리예요.
- AI를 발견이 아니라 공정·양산에 붙이는 쪽으로 무게추가 옮겨가고 있어요.
🔗 출처: Hacker News