무슨 일이 있었나
AI 모델 평가를 전문으로 하는 Vals AI가 흥미로운 글을 공개했어요. Anthropic의 Claude Opus 5.5를 기반으로 한 AI 에이전트들이 '상온에서 자성을 띠는 반도체' 후보 물질 두 가지를 찾아냈다는 내용이에요.
'AI가 신소재를 발견했다'는 헤드라인은 이제 꽤 익숙하죠. 이번 건이 눈에 띄는 건 소재 탐색만을 위해 따로 만든 특화 모델이 아니라 범용 언어 모델 기반 에이전트가 연구에 투입됐다는 점이에요. 그리고 제목에 붙은 '후보(candidates)'라는 단어도 꼭 기억해두세요. 아직 실험실에서 직접 만들어서 검증한 단계는 아니라는 뜻이거든요.
자성 반도체가 뭐길래
반도체는 전기의 흐름, 그러니까 전하를 켜고 끄는 방식으로 정보를 처리해요. 그런데 전자에는 전하 말고도 '스핀'이라는 성질이 있어요. 이게 뭐냐면, 전자 하나하나가 아주 작은 나침반 바늘을 품고 있다고 생각하면 돼요. 자석이 자석인 이유도 이 바늘들이 한 방향으로 정렬돼 있기 때문이고요.
전하와 스핀을 한 물질 안에서 같이 다룰 수 있으면 '스핀트로닉스'라는 분야가 활짝 열려요. 전원을 꺼도 정보가 남는 소자, 전력을 덜 먹는 소자, 연산과 저장을 한 칩에서 해결하는 구조 같은 게 가능해지거든요. 이미 상용화된 MRAM도 스핀을 활용한 메모리예요.
문제는 온도예요. 1990년대에 갈륨비소에 망간을 조금 섞은 (Ga,Mn)As 같은 자성 반도체가 만들어지긴 했어요. 그런데 자성을 잃는 온도(퀴리 온도)가 대략 영하 70도 수준에 머물렀어요. 상온에서 못 쓰면 실제 제품으로 만들기 어렵죠. 그래서 '상온 자성 반도체'는 수십 년째 풀리지 않은 숙제예요. 그동안 '상온 강자성을 확인했다'는 보고도 꽤 있었지만, 상당수는 나중에 불순물이 뭉친 덩어리 때문이었던 걸로 밝혀졌고요.
AI 에이전트는 이런 연구에서 무슨 일을 할까
이런 계산 기반 소재 연구에서 에이전트가 맡는 일은 보통 연구실 대학원생이 하는 일과 비슷해요. 논문을 읽고 '이 원소 조합이면 될 것 같은데?' 하고 가설을 세운 다음, 시뮬레이션 코드를 직접 짜서 돌리고, 결과를 해석해서 다음 후보를 고르는 걸 계속 반복하는 거죠.
여기서 핵심 도구가 DFT(밀도범함수이론) 계산이에요. 이게 뭐냐면, 물질 속 전자들이 양자역학적으로 어떻게 움직이는지를 근사해서 풀고, 그걸로 물질의 성질을 컴퓨터로 예측하는 방법이에요. 밴드갭(반도체인지 아닌지를 가르는 에너지 간격), 스핀이 어떻게 정렬되는지, 원자끼리 자기적으로 얼마나 강하게 영향을 주고받는지 같은 걸 계산할 수 있어요. 여기에 '이 물질을 실제로 안정적으로 만들 수 있나'를 따지는 열역학적 안정성 검사까지 통과해야 쓸 만한 후보가 되고요.
업계 맥락: GNoME부터 LK-99까지
AI 소재 탐색 하면 대표적으로 2023년 구글 딥마인드의 GNoME이 떠올라요. 새로운 결정 구조를 220만 개 넘게 예측했고, 그중 약 38만 개가 안정적일 거라고 발표했죠. 하지만 이후 일부 재료과학자들은 '상당수가 진짜 새로운 것도 아니고 쓸모도 불분명하다'고 비판하기도 했어요. 마이크로소프트의 MatterGen은 원하는 성질을 조건으로 걸고 구조를 생성하는 방식을 보여줬고, AI와 자동화 실험실을 합치겠다는 스타트업들도 나왔어요.
이번 사례는 이들과 결이 좀 달라요. 소재 전용 모델이 아니라 범용 LLM이 기존 계산 도구들을 엮어 쓰는, 일종의 '연구 오케스트레이터' 역할을 한 거예요.
그리고 한국 독자라면 2023년 LK-99 소동이 떠오르실 거예요. '상온 초전도체'라던 주장이 전 세계 재현 실험에서 무너졌던 일이죠. '상온'이라는 말이 붙은 소재 뉴스일수록 다른 연구팀의 재현과 검증이 꼭 필요해요. 특히 자성 물질은 DFT 계산 설정에 따라 결과가 크게 흔들리고 퀴리 온도 예측도 오차가 큰 편이에요. 그래서 이번 결과도 '발견했다'보다는 '유망한 후보를 추려냈다'로 보는 게 정확해요.
한국 개발자에게 주는 시사점
이번 사례에서 진짜 눈여겨볼 건 '범용 LLM + 도메인 도구' 조합이 가진 가능성이에요. 모델 자체보다 더 중요한 건 에이전트가 쓸 도구를 연결하고, 실행 환경을 갖추고, 결과를 검증하는 파이프라인이거든요. 이건 딱 소프트웨어 엔지니어가 하는 일이에요. 소재 분야라면 pymatgen이나 ASE 같은 파이썬 라이브러리, Materials Project 같은 공개 데이터베이스가 바로 그 도구 상자고요.
한국은 반도체와 소재 산업 비중이 큰 나라이고, 삼성전자와 SK하이닉스도 MRAM 같은 차세대 메모리를 연구해왔어요. 과학 도메인과 AI 에이전트 엔지니어링을 둘 다 이해하는 사람의 가치는 앞으로 더 커질 거예요. 그리고 'AI가 내놓은 결과는 후보일 뿐이고 검증은 따로'라는 태도는, AI가 짠 코드를 테스트 없이 머지하지 않는 우리 실무 감각이랑 똑같아요.
마무리
한 줄 정리: AI가 과학자를 대체했다기보다는, 가설-계산-검증 루프를 훨씬 빨리 돌리는 단계에 들어섰어요.
여러분은 실험으로 검증되기 전의 'AI 발견'을 어디까지 의미 있다고 보시나요? 그리고 여러분 분야에도 범용 LLM에 도메인 도구를 붙여서 에이전트로 만들 만한 일이 있을까요?
🔗 출처: Hacker News