MIT 재료과학·공학부 로드리고 프레이타스(Rodrigo Freitas) 교수 연구팀이 금속합금의 화학적 복잡성을 더 정확하게 모델링할 수 있는 머신러닝(ML) 기반 접근법을 개발해 국제 학술지 ‘사이언스 어드밴시스(Science Advances)’에 발표했다. 이 방법은 항공우주·에너지·반도체 등 첨단 산업에서 신소재 개발에 소요되는 시간과 비용을 크게 줄일 수 있다는 점에서 주목받는다.
재료의 물성은 내부 원자 배열에 의해 결정되는데, 현실의 금속 소재는 거의 대부분 화학적으로 무질서한(disordered) 구조를 갖는다. 기존 머신러닝 모델은 규칙적인 원자 배열에는 잘 작동하지만 불규칙한 배열을 학습하기 어렵고, 이를 극복하기 위한 기존 데이터셋 생성 방식은 단일 소재에 10만 시간 이상의 연산을 요구하는 데다 소재 조성이 달라지면 재활용이 어렵다는 한계가 있었다. 연구팀은 정보이론(information theory) 기반의 수학적 최적화를 활용해 학습 데이터셋을 구성했다. 핵심 아이디어는 데이터셋 안에서 반복되는 원자 환경을 골라내 더 새롭고 다양한 환경 사례로 교체하는 방식이다. 프레이타스 교수는 “같은 종류의 환경이 여러 번 나타나면 중복된 사례를 새로운 것으로 교체한다”며 “이를 통해 학습 세트의 정보 밀도를 높인다”고 설명했다.
연구팀은 이 방법으로 훈련된 모델이 무작위 샘플링이나 기존 주요 샘플링 방식으로 훈련된 모델보다 더 정확하게 물성을 예측함을 여러 합금 군(群)에 걸쳐 검증했다. 또한 구글과 마이크로소프트 같은 기업이 구축한 더 큰 규모의 모델과 비교해서도 높은 정확도를 나타냈다. 대표적인 검증 지표로 위상 다이어그램(phase diagram) 예측을 사용했는데, 이는 온도·조성에 따라 합금이 어떤 상(相)을 형성하는지를 보여주는 도표로 소재 설계 및 가공 공정에서 핵심 참조 자료가 된다. 이 연구에는 제1저자 킬리언 셰리프(Killian Sheriff) 박사를 비롯해 다니엘 샤오(Daniel Xiao), 이판 카오(Yifan Cao), 영국 셰필드대 루이스 오언(Lewis R. Owen) 강사가 공동 참여했으며, 미국 공군과학연구소(AFOSR)가 연구비를 지원했다.
연구팀은 현재 이 방법을 합금의 기계적 특성과 방사선 내성(radiation tolerance) 연구에 적용하고 있으며, 가혹한 환경에서도 강도와 내구성을 유지하는 소재 설계를 목표로 후속 연구를 이어가고 있다. 프레이타스 교수는 “산업계는 기존 업무 방식에 맞지 않으면 새로운 기법을 채택하지 않는다”며 현장 엔지니어들이 실제로 사용하는 툴과 워크플로에 이 방법을 통합할 수 있도록 접근성을 높이는 것이 목표라고 밝혔다. 연구팀은 이 방식이 금속합금에 국한되지 않고 반도체 같은 다른 소재 분야에도 응용 가능하다고 전망했다.
