이상적으로는 재료과학자가 필요한 성질, 예를 들어 리튬을 잘 전도하는 배터리 전해질을 말로 설명하면 AI 모델이 맞는 결정을 제안해 줄 것입니다. 지금의 언어 모델은 이를 잘하지 못하며, MIT 연구팀은 그 이유가 데이터에 있다고 말합니다. 재료는 텍스트가 아니라 원자의 3차원 배열이고, 출판된 문헌은 인기 있는 결정 몇 종류만 다루기 때문에 논문으로 학습한 모델은 이미 연구된 쪽으로 치우칩니다.
Ju Li가 이끌고 Yang Jeong Park이 제1저자이며 Elsa Olivetti 등이 참여한 연구팀은 결정 구조와 언어를 직접 연결하는 모델을 만들었습니다. 맞는 예는 가깝게, 맞지 않는 예는 멀게 배우게 하는 대조 학습으로, 이미지 모델이 사진과 설명 문구를 맞추듯 3차원 원자 구조와 텍스트 설명을 맞춥니다. 핵심은 학습용 텍스트였습니다. 연구자들은 논문에만 기대지 않고, 문헌과 제일원리 계산 데이터베이스에 있는 구조에 대해 조성, 구조, 성질, 가공, 가능한 용도를 담은 설명을 생성했습니다. 이 합성 설명으로 학습한 버전은 기하와 텍스트를 맞추는 법을 배웠지만, 논문 문장만으로 학습한 버전은 그러지 못했습니다.
성과는 설명으로 하는 검색입니다. 어떤 성질에 대해 평범한 말로 질문하면 모델은 그 성질을 가진 결정 재료를 내놓았고 비교 기준을 앞섰습니다. 전고체 리튬이온 배터리용 전해질을 묻자 상위 결과에 다른 연구자들이 이미 유망하다고 본 재료가 들어 있었습니다. Li는 이 목표를 단백질 구조와 기능을 연결한 AlphaFold에 견주며, 논문은 Nature Communications에 실렸습니다.
연구자에게 이 아이디어가 중요한 이유는 결정이 지구 고체 재료의 90% 넘게를 차지하고, 계산 데이터베이스에는 지금까지 글로 기술된 것보다 훨씬 많은 후보 구조가 이미 있기 때문입니다. 이런 구조를 읽고 평범한 말로 질문에 답하는 도구가 있다면, 새 결정을 제안하는 그래프 기반 모델과 함께 이 데이터 저장고를 더 쉽게 쓸 수 있을 것입니다.
실용성에 대한 근거는 아직 빈약합니다. MIT 기사에는 성능 수치도, 비교 기준의 이름도, 확인한 후보의 수도 없습니다. 전문가들이 이미 알던 재료를 다시 찾아낸 것은 검색이 작동한다는 뜻이지, 모델이 새 재료를 찾을 수 있다는 증거는 아니며 그것이 정말 중요한 시험입니다. 학습용 설명 자체도 AI가 만든 것이어서 그 안의 오류가 모델에 들어갈 수 있습니다. 학습 데이터 밖의 재료로 하는 독립 검증이 저자들이 바라는 도약인지 판가름할 것입니다.