AI와 지속가능 소재 설계의 통합 혁신

초록

본 논문은 현재 AI 기반 소재 탐색이 성능 최적화에만 집중하고 있어 지속가능성 평가가 사후에 이루어지는 문제점을 지적한다. 원자·분자 수준 설계와 전 과정 라이프사이클 평가(LCA)를 연결하는 ‘ML‑LCA’ 프레임워크를 제안하고, 정보 추출, 데이터베이스 통합, 다중 스케일 모델링, 불확실성 정량화 ensemble 예측, 불확실성‑인식 최적화의 다섯 핵심 요소를 제시한다. 유리, 시멘트, 반도체 포토레지스트, 고분자 등 네 가지 사례를 통해 필요성과 실현 가능성을 검증한다.

상세 분석

이 논문은 AI‑driven 소재 발견이 ‘성능‑우선’ 패러다임에 머물러 있어, 환경 부담을 사후에 평가함으로써 자원 낭비와 지속가능성 위험을 초래한다는 근본적 한계를 명확히 제시한다. 저자는 네 가지 근본적 장애요소—데이터 희소성·이질성, 원자 수준과 산업 규모 사이의 스케일 격차, 합성 경로 예측의 불확실성, 그리고 성능·환경을 동시에 최적화할 수 있는 프레임워크 부재—를 체계적으로 분석한다. 특히, 기존 소재 데이터베이스(예: Materials Project)와 LCA 데이터베이스(ecoinvent, GaBi)의 규모·형식 차이를 ‘데이터 모달리티·다중‑신뢰도 통합’ 문제로 정의하고, 표준화된 메타데이터 스키마와 온톨로지를 통해 상호 운용성을 확보해야 함을 강조한다.

스케일 격차 해소를 위해 저자는 원자‑레벨 계산 결과(밴드갭, 전위, 결합 에너지 등)를 제조 공정 파라미터(온도, 압력, 전력 소비)와 연결하는 ‘다중‑스케일 모델’ 구축을 제안한다. 여기서 핵심은 ‘프로세스 매핑’—예를 들어, AI가 제시한 1100 °C 고온 소성 조건을 기존 유리 제조 공정에 매핑해 LCA 인벤토리를 자동으로 생성하는 절차—이다. 또한, 합성 경로 예측을 위해 화학 합성의 레트로스인테시스 기법을 확장하고, 각 경로에 대한 에너지·폐기물·배출량을 베이지안 ensemble 모델로 추정해 불확실성을 정량화한다.

다중 목표 최적화 측면에서는 탄소 발자국, 공급망 위험(HHI), 재활용성 등 이질적인 목표를 동일한 최적화 프레임워크에 통합하기 위해 ‘불확실성‑인식 보상 함수’를 설계한다. 이는 에피스테믹·알레아토릭·시나리오 불확실성을 모두 전파하여, 파레토 프론티어 대신 확률적 우도 기반의 목표 공간을 탐색하도록 한다. 저자는 이러한 접근이 ‘보상 해킹’과 같은 비의도적 최적화 오류를 방지하고, 이해관계자별 가중치를 반영한 정책‑친화적 의사결정을 가능하게 한다고 주장한다.

네 가지 사례 연구(유리, 시멘트, 반도체 포토레지스트, 고분자)는 각각 데이터 가용성, 스케일 매핑, 합성 경로 다양성, 환경 임계값(예: 재활용률 90 % 임계) 등 구체적 도전과제를 보여준다. 특히 시멘트 사례에서는 기존 포틀랜드 시멘트의 높은 CO₂ 배출을 대체할 저탄소 대체재(예: 지오폴리머)의 합성 경로를 AI가 제시하고, 해당 경로의 에너지·원료 투입을 LCA와 연계해 전체 탄소 발자국을 30 % 이상 감소시킬 수 있음을 시뮬레이션한다.

결론적으로, 논문은 ‘ML‑LCA’라는 통합 플랫폼이 데이터 인프라, 표준화된 메타데이터, 다중‑스케일 모델링, 불확실성 정량화, 그리고 정책·산업 규제와의 연계를 통해 지속가능한 소재를 ‘설계 단계부터’ 구현할 수 있는 로드맵을 제시한다.