AI가 여는 자기적 미래: 전기차 모터용 희토류 미포함 (Rare-earth-free) 후보 물질 25종 발견

소재 과학 및 전기차(EV) 산업의 획기적인 발전으로, 뉴햄프셔 대학교(UNH)의 연구원들은 인공지능(Artificial Intelligence, AI)을 활용하여 희토류 원소에 의존하지 않는 25종의 유망한 새로운 자성 소재를 식별했습니다. Nature Communications에 최근 발표된 이 연구는 글로벌 기술 부문의 불안정한 공급망과 고비용 채굴 프로세스에 대한 의존도를 낮추는 데 중요한 진전을 나타냅니다.

수십 년 동안 전기차 모터와 풍력 터빈에 필수적인 고성능 영구 자석은 네오디뮴과 디스프로슘 같은 희토류 원소에 크게 의존해 왔습니다. 효과적이기는 하지만, 이러한 소재는 막대한 환경적 및 지정학적 대가를 수반합니다. 고급 머신러닝(Machine Learning) 알고리즘을 활용한 UNH 팀의 돌파구는 지속 가능한 에너지 미래를 위한 해결책이 수십 년간의 과학 문헌 속에 묻혀 눈앞에 숨어 있었을 수 있음을 시사합니다.

노스이스트 소재 데이터베이스: 디지털 보물지도

이 성과의 핵심은 67,573개의 자성 화합물을 포함하는 대규모 오픈 액세스 리소스인 **노스이스트 소재 데이터베이스 (Northeast Materials Database)**의 구축입니다. 실험실에서 시행착오를 거쳐 합성하는 전통적인 실험 방법과 달리, UNH 연구원들은 기존의 과학적 지식을 "채굴"하기 위해 AI 기반 접근 방식을 채택했습니다.

박사 과정 학생인 Suman Itani가 이끄는 팀은 수천 편의 과학 논문을 읽고 해석할 수 있는 특화된 AI 시스템을 개발했습니다. 알고리즘은 중요한 실험 데이터를 추출했으며, 이는 소재가 자성을 띠는지 여부와 결정적으로 소재가 자성을 잃는 임계값인 퀴리 온도(Curie temperature)라는 두 가지 중요한 특성을 예측하도록 컴퓨터 모델을 훈련하는 데 사용되었습니다.

"우리는 소재 과학에서 가장 어려운 과제 중 하나인 영구 자석의 지속 가능한 대안을 찾는 문제를 다루고 있으며, 우리의 실험 데이터베이스와 성장하는 AI 기술이 이 목표를 달성 가능하게 만들 것이라고 낙관합니다."라고 UNH의 물리학 교수이자 연구 공동 저자인 Jiadong Zang은 말했습니다.

이 고처리량 스크리닝 프로세스는 방대한 데이터셋을 걸러내어 고온에서도 자성을 유지하는 이전에 인식되지 않았던 25개의 화합물을 찾아냈습니다. 고온 안정성은 작동 중에 상당한 열을 발생시키는 전기차 모터에 있어 타협할 수 없는 요구 사항입니다.

희토류 독점 타파

현재 글로벌 경제 상황에서 이 발견의 중요성은 아무리 강조해도 지나치지 않습니다. 희토류 원소는 추출 및 가공이 매우 까다롭기로 유명하며, 종종 심각한 환경 피해를 초래합니다. 또한 공급망이 특정 지역에 집중되어 있어 서구 하이테크 제품 제조업체들에게 취약성을 유발합니다.

실행 가능한 희토류 미포함 (rare-earth-free) 대안을 식별함으로써 UNH 연구는 다음과 같은 경로를 제공합니다:

• 생산 비용 절감: 고가의 희토류 수입을 배제함으로써 전기 모터 제조 비용을 대폭 낮출 수 있습니다.
• 공급망 보안: 더욱 풍부하고 지질학적으로 널리 분포된 소재를 조달함으로써 무역 병목 현상의 위험을 줄입니다.
• 환경 지속 가능성: 희토류 채굴 수요를 줄임으로써 청정 에너지 (clean energy) 기술과 관련된 생태학적 발자국을 완화합니다.

주요 연구 결과 개요

다음 표는 UNH 연구의 주요 지표와 시사점을 요약하여, 전통적인 발견 방법과 비교했을 때 AI 기반 접근 방식의 효율성을 강조합니다.

혁신 주기의 가속화

UNH 팀이 채용한 방법론은 과학적 발견이 수행되는 방식의 패러다임 변화를 보여줍니다. 소재 발견의 "전통적인" 경로는 가설 수립, 합성, 테스트 및 반복이라는 선형적이고 노동 집약적인 과정입니다. 반면, 여기서 사용된 AI 접근 방식은 힘의 승수 역할을 하여 연구원들이 수천 개의 막다른 후보에 대한 초기 합성 단계를 건너뛰고 가장 유망한 단서에만 물리적 실험실 작업을 집중할 수 있게 해줍니다.

프로젝트에 참여한 박사후 연구원 Yibo Zhang은 이 연구에 활용된 거대 언어 모델(LLM)이 자성 이외의 분야에서도 잠재적인 응용 분야를 가지고 있다고 언급했습니다. 복잡한 과학적 이미지와 데이터를 구조화되고 검색 가능한 형식으로 변환하는 이 기술의 능력은 물리 및 화학 전반에 걸쳐 역사적 과학 데이터를 보존하고 활용하는 방식을 혁신할 수 있습니다.

전기차 산업 및 그 너머에 미치는 영향

자동차 산업의 경우, 이 연구는 결정적인 시점에 도달했습니다. 자동차 제조업체들이 차량 전동화에 박차를 가하면서, 임박한 희토류 금속 부족 현상은 생산 속도를 늦추고 가격을 상승시킬 위협이 되고 있습니다. UNH 팀이 식별한 25종의 후보 물질은 차세대 모터 개발을 위한 "최종 후보 명단" 역할을 합니다.

이러한 소재들이 상업적 생존 가능성을 검증하기 위해 여전히 엄격한 물리적 합성 및 테스트를 거쳐야 하지만, 노스이스트 소재 데이터베이스의 존재는 이전에는 존재하지 않았던 로드맵을 제공합니다. 이제 제조업체들은 막연한 시도 대신 이러한 고확률 화합물에 R&D 노력을 우선순위화할 수 있습니다.

또한 그 영향은 재생 가능 에너지까지 확대됩니다. 거대한 영구 자석에 의존하는 풍력 터빈 발전기 역시 동일한 비용 절감 및 효율성 향상의 혜택을 누릴 수 있습니다.

결론: 데이터 중심의 미래로 향하는 길

인공지능 (artificial intelligence)과 소재 과학의 융합은 현대 혁신의 가장 강력한 원동력 중 하나임이 입증되고 있습니다. Suman Itani, Jiadong Zang 및 뉴햄프셔 대학교 동료들의 연구는 강력한 개념 증명 역할을 합니다. AI는 단순히 새로운 텍스트나 이미지를 생성하는 것이 아니라, 현실 세계의 하드웨어 문제에 대한 물리적 해결책을 발굴할 수 있습니다.

미국 에너지부가 이러한 이니셔티브를 지속적으로 지원함에 따라, 이론적 잠재력과 산업적 응용 사이의 격차가 좁혀질 것으로 기대할 수 있습니다. 전기차 부문의 경우, 희토류 없는 미래로 가는 길이 훨씬 더 명확해졌습니다. 다음 단계는 이러한 디지털 발견을 미래의 바퀴를 움직이는 실질적인 자석으로 바꾸는 일이 될 것입니다.