과학을 위한 인공지능(AI)은 과학적 발견의 방식을 근본적으로 변화시키고 있습니다. 거대 언어 모델(LLM), 신경망, 생성형 AI, 머신러닝이 방대한 데이터셋을 분석하는 능력은 인간 연구자 혼자서는 불가능했던 수준의 정보 평가를 훨씬 짧은 시간 안에 가능하게 합니다. AI 기술의 진화가 개인 맞춤형 의학부터 석유화학에 이르는 다양한 분야에서 새로운 가능성을 열어줌에 따라, AI가 과학적 발견에 어떻게 의미 있는 영향을 미치고 있는지 보여주는 최근 사례들을 소개합니다.
관련 콘텐츠: "과학을 위한 AI" 웨비나 녹화본 보기 3M, 모핏 암 센터 및 연구소(Moffitt Cancer Center and Research Institute), CAS의 전문가들이 오늘날의 역동적인 연구 환경 속에서 AI의 구체적인 활용 사례, 과제 및 기회에 대해 논의한 내용을 확인하실 수 있습니다.
원하는 특성에 기반한 신소재 설계를 가능하게 하는 생성형 AI
특정 속성을 가진 소재를 설계하는 과정은 전문가가 방대한 후보 목록을 수동으로 검토하고 시행착오를 거쳐야 하므로 시간이 오래 걸릴 수 있습니다. 생성형 AI는 제1원리에서 물질의 특성을 예측하고 훨씬 더 많은 소재를 빠르게 선별함으로써 연구자들이 더 많은 후보를 평가할 수 있도록 지원하며 재료 과학의 패러다임 전환을 이끌고 있습니다.
생성형 AI를 활용하면 연구자들은 기존 소재로 실험을 반복하는 대신 최종 목표를 설정하고 연구를 시작할 수 있습니다. 이는 단순히 시간을 절약하는 것을 넘어, 파격적인 조합을 탐색하여 수천 또는 수백만 개의 가상 화합물을 빠르게 생성함으로써 AI를 통해 혁신의 가능성을 높일 수 있게 합니다. 예를 들어, 지난 몇 년간 소재 설계 과정을 최적화하기 위한 여러 새로운 생성형 AI 모델이 등장했습니다.
- 마이크로소프트 리서치(Microsoft Research)의 MatterGen은 소재 생성을 위한 기반으로 확산 모델을 사용합니다.
- MatAgent는 소재 지식 베이스로 보강된 LLM을 활용하여 새로운 조성을 제안하고, 확산 모델 구조 추정기를 통해 제안된 조성에 기반한 결정 구조를 결정하며, 그래프 신경망(GNN) 기반 속성 평가기를 사용하여 해당 결정 구조의 속성을 예측합니다.
- IBM 리서치 또한 전문가 혼합(mixture-of-experts) 접근 방식을 사용하는 모델 제품군을 발표했으며, 이는 PFAS 대체 물질 설계에 유망한 결과를 보여주었습니다.
또한 메타(Meta)는 최근 분자 발견을 앞당기기 위한 데이터셋인 Open Molecules 2025와 원자 범용 모델(UMA)을 공개했습니다.
머신러닝은 후보 소재의 특성을 예측하는 데에도 매우 효과적이었습니다. 마이크로소프트는 MatterGen의 동반 모델인 MatterSim을 개발했습니다. 이는 능동 학습, 생성 모델, 분자 동역학 시뮬레이션을 결합한 데이터로 훈련된 딥러닝 모델입니다. 구글 역시 "재료 발견을 위한 알파폴드(AlphaFold)"라고 불리는 GNoME이라는 재료 발견 도구를 출시했습니다. 연구자들은 딥마인드(DeepMind)를 사용하여 220만 개의 재료 목록을 38만 1천 개로 좁힌 뒤, GNoME을 활용해 가장 안정적인 재료를 예측함으로써 배터리에 사용할 수 있는 528개의 잠재적 리튬 이온 전도체를 찾아냈습니다.
정밀 의학의 부상을 이끄는 과학을 위한 AI
AI 기반 유전 모델링은 이제 방대한 양의 유전적, 후성유전적, 생물정보학 데이터를 분석 및 해석하여 연구자들이 유전적 변이와 그 의미를 이해하도록 돕습니다. 이 접근 방식은 머신러닝 알고리즘과 기타 AI 도구를 사용하여 유전 정보 내의 패턴과 상관관계를 식별함으로써 예방 조치, 치료법 및 의약품을 개인별로 맞춤화합니다. 이를 통해 조기 개입을 강화하고 부작용을 최소화하며 비용을 절감하여, 각 환자의 필요에 맞춘 개인화된 치료 프로그램을 구축하는 것을 목표로 합니다.
유전 모델링에 대한 AI 적용은 다음 분야에서 상당한 진전을 이루었습니다.
- 데이터 통합 및 분석: AI 모델은 처리합니다 DNA 염기서열 분석(예: 전엑솜/전유전체 염기서열), 전사체, 단백질체, 대사체 데이터를 포함한 방대한 양의 유전 데이터를 처리하여 기존 알고리즘이 놓칠 수 있는 통찰력을 발견합니다. 합성곱 신경망(CNN)과 순환 신경망(RNN)은 바이오마커, 질병 위험, 약물 반응 간의 복잡한 연관성을 식별합니다. 이러한 모델은 기존 통계 방법으로는 간과할 수 있는 유전체 데이터 내의 복잡한 패턴을 포착하여 질병 감수성과 치료 결과를 더욱 정확하게 예측할 수 있게 합니다.
- 예측 분석: AI는 개인의 유전적 프로필, 가족력, 심지어 의사의 진료 기록을 바탕으로 특정 질병 발병 가능성을 예측하는 데 적용되고 있습니다. 이 접근 방식은 머신러닝 알고리즘과 임상 정보학을 사용하여 복잡한 유전 데이터와 가족 패턴을 분석함으로써 예방 조치 및 개인 맞춤형 치료 계획에 대한 통찰력을 제공합니다.
- 맞춤형 치료 계획: AI는 개인의 고유한 유전체 및 후성유전체를 기반으로 정밀 치료법을 개발하도록 지원합니다. AI 모델은 질병 위험과 치료 반응에 영향을 줄 수 있는 특정 변이와 돌연변이를 분석하고 식별합니다. 또한 AI 솔루션은 DNA 메틸화 및 히스톤 변형과 같은 후성유전적 변형을 조사하여 환경적 요인과 생활 방식이 유전자 발현에 어떤 영향을 미치는지 이해할 수 있게 합니다.
- 멀티오믹스 데이터 통합: 유전체, 전사체, 단백질체, 대사체 데이터를 연결하는 AI의 능력을 활용하여 연구자들은 생물학적 시스템에 대한 더욱 포괄적인 모델을 구축할 수 있습니다. 이러한 전체론적 접근 방식은 질병의 발생과 진행 과정에서 유전적 요인, 비유전적 요인, 환경적 영향 간의 복잡한 상호작용을 더 깊이 이해할 수 있게 합니다.
AI 기반 솔루션은 방대한 데이터를 분석하여 각 환자에게 작용하는 다양한 요인을 고려한 진단 및 치료법 개발을 돕습니다. 환자의 건강 프로필에 대한 옴니오믹스 모델(omniomic model)에 한 걸음 더 다가가거나 유전적 및 후성유전적 데이터의 계산 복잡성을 해결하는 등, AI는 정밀 의학 발전을 이끄는 원동력이 될 것입니다.
탄소 포집 및 저장 효율을 높이는 AI 알고리즘
오늘 당장 모든 이산화탄소 배출을 중단하더라도, 이미 대기 중에 존재하는 이산화탄소는 계속해서 열을 가두고 지구 온난화를 가속할 것입니다. 기후 변화에 관한 정부 간 협의체(IPCC)가 지적했듯이, 이산화탄소 포집 및 제거가 배출량 감축을 완전히 대체할 수는 없지만, 지구 온난화를 2°C 이내로 유지하기 위해서는 온실가스 배출량을 낮추는 데 반드시 필요합니다.
과학을 위한 AI는 탄소 포집 및 저장(CCS)과 강화된 암석 풍화(ERW)를 포함하여 이산화탄소를 포집하는 수많은 접근 방식에서 점점 더 중요한 역할을 하고 있습니다.
- 탄소 포집 및 저장(CCS): AI 알고리즘은 운영 데이터를 분석하여 효율성을 개선함으로써 탄소 포집 시스템을 최적화하고 있습니다. 예를 들어, 강화 학습 알고리즘은 산업용 연도 가스에서 이산화탄소를 제거하는 공정 최적화에 사용되어 필요한 운영 에너지를 최소화합니다. 그 결과, 예측 모델과 알고리즘을 통해 70% 이상의 사례에서 에너지 비용을 절감할 수 있음이 입증되었습니다. 머신러닝은 또한 기존 방식보다 빠르게 흡착용 다공성 물질을 식별할 수 있습니다. 마이크로소프트의 MOFDiff는 거친 입자 확산 모델로서, 탄소 포집에 매우 효과적인 금속-유기 골격체(MOF) 구조를 생성합니다.
- 강화된 암석 풍화(ERW): ERW는 자연적인 지질학적 과정을 가속하여 대기 중 이산화탄소를 제거합니다. 농경지와 같은 토지에 잘게 부순 규산염이나 탄산염 암석을 얇게 펴 바르면, 빗물과 반응하는 화학적 풍화 과정을 통해 대기 중 이산화탄소가 중탄산염 이온으로 전환됩니다. AI 기반 솔루션은 대상 지역과 토양 상태를 파악하고 프로젝트의 효과를 결정하는 데 필요한 예측 모델을 실행함으로써 ERW 활동을 지원할 수 있습니다.
탄소 포집 활동에 AI를 활용하는 사례는 많지만, AI를 구동하는 데 발생하는 배출량 또한 고려해야 한다는 점을 유념해야 합니다. 그렇지 않으면 AI가 지구 온난화를 완화하기보다 오히려 가속하는 결과를 초래할 수 있습니다.
디지털 트윈을 활용한 석유화학 운영의 안전성 및 효율성 제고
‘디지털 트윈’은 물리적 공간을 고충실도 가상 복제본으로 구현하여 실시간 데이터를 분석하고 결과를 예측하는 AI 기반 기술입니다. 석유화학 산업에서 이러한 복제본은 복잡한 화학 공정을 시뮬레이션하고 분석하며 최적화할 수 있게 해줍니다. 상세한 운영 데이터와 반응 속도론을 통합함으로써, 디지털 트윈은 다양한 조건에서 제조 공장 시스템에 대한 통찰력을 제공합니다.
디지털 트윈 소프트웨어는 최근 몇 년간 크게 발전했으며, 많은 산업 분야에서 이러한 시뮬레이션이 제공하는 예측 기능을 활용하고 있습니다. 석유화학 제조 분야에서 디지털 트윈을 성공적으로 구현하기 위해서는 다음과 같은 몇 가지 핵심 기술이 필요합니다.
- 고충실도 시뮬레이션 플랫폼: Aspen HYSYS, gPROMS, AVEVA와 같은 소프트웨어 도구는 상세한 화학 반응 속도론과 열역학을 통합하여 석유화학 운영의 정밀한 가상 복제본을 생성합니다.
- IoT 및 센서 통합: 광범위한 센서 네트워크가 실시간 데이터 피드를 제공하여, 현재 운영 상태를 정확하게 반영하도록 디지털 트윈을 지속적으로 업데이트합니다.
- 머신러닝 및 AI 통합: AI 기반 분석은 예측 기능을 강화하여 디지털 트윈이 운영상의 장애를 사전에 예측하고 공장 성능을 선제적으로 최적화할 수 있도록 합니다.
이러한 혁신을 통해 석유화학 기업은 예측 정비와 자산 관리를 구현할 수 있습니다. 디지털 트윈은 장비 고장을 사전에 예측하여 유지보수 일정을 선제적으로 계획함으로써 가동 중단 시간과 운영 비용을 크게 줄이고 안전성을 향상시킬 수 있습니다. 또한 실시간 분석을 통합하여 공정을 동적으로 조정함으로써 생산량을 최적화하고 에너지 소비를 줄일 수 있습니다. 예를 들어, 에틸렌 크래커에 대한 상세한 모델링을 지원함으로써 디지털 트윈은 정밀한 운영 조정을 통해 원료 활용도와 제품 생산량을 극대화합니다.
AI 모델을 활용한 신약 개발 및 약물 재창출 가속화
약물 재창출은 오랫동안 제약 개발 분야에서 성공적인 전략으로 자리 잡아 왔습니다. 그러나 임상 관찰 결과와 연구 문헌을 검토하는 데는 많은 시간과 노력이 소요되며, 이후 광범위한 테스트와 검증 과정이 뒤따라야 합니다. 이제 제약 회사들은 과학을 위한 AI를 활용하여 ‘제로샷 추론(zero-shot inference)’이라는 방식을 통해 새로운 매개변수나 데이터 없이도 약물의 적응증과 금기 사항을 보다 효율적으로 예측할 수 있게 되었습니다.
약물 재창출에 AI를 활용하는 분야는 다음과 같습니다.
- 지식 그래프를 활용하여 인간 연구자보다 훨씬 빠르게 더 많은 질병과 잠재적 약물 후보를 평가하는 AI 기반 모델.
- 유전학 데이터 네트워크 생물학을 사용하여 재창출 후보를 식별하고 질병 경로의 여러 부분을 표적으로 삼는 다중 약물을 찾아내는 방식.
- 다중 약리학(Polypharmacology): 연구자들은 다른 약물과 병용할 수 있는 오프 타겟 효과를 탐색할 수 있습니다.
이러한 노력의 성공 여부는 양질의 데이터 확보에 달려 있으며, 이는 여전히 과제로 남아 있습니다. 일부 추정에 따르면 조직 내 지식의 55%는 시간이 지남에 따라 축적된 비정형 정보인 ‘다크 데이터(dark data)’입니다. 일반적으로 조화되지 않은 상태로 분절된 시스템에 저장되는 다크 데이터는 접근성이 제한적인 경우가 많아 AI 전략에 통합하는 데 어려움을 겪습니다.
인체의 복잡성과 치료법이 없는 질병과 관련된 난제들을 고려할 때, 기존 약물의 새로운 용도를 찾아내는 데 있어 AI의 컴퓨팅 능력은 매우 중요할 것입니다.
안전성과 품질을 높이는 미세구조 분석용 컴퓨터 비전
재료 과학 연구에서 컴퓨터 비전은 AI를 사용하여 현미경이나 분광 이미지와 같은 방대한 시각 데이터를 처리함으로써 재료의 특성, 구조 및 결함을 식별합니다. 이러한 분석은 재료의 기계적 특성을 이해하는 데 오랫동안 필수적인 단계였으며, 안전성, 재료 선정, 품질 관리에 있어 중요한 역할을 합니다. 예를 들어, 결정립 크기와 분포는 재료의 강도와 연성을 결정하는 중요한 요소이며, 항공우주 및 전자 산업과 같은 분야에서는 재료와 부품에 대한 매우 구체적이고 정확한 미세구조 분석이 요구됩니다.
AI 기반 컴퓨터 비전은 이러한 과정을 혁신하고 있습니다. 전통적으로 시간이 많이 소요되던 수동 절차를 이제는 더 빠르고 정확하게 완료할 수 있으며, 상 식별 및 미세구조 분류와 같은 작업을 자동화합니다. 컴퓨터 비전 알고리즘은 균열, 공극, 이물질을 포함한 결함을 찾아내고 식별할 수 있습니다. 또한 미세구조 내의 개별 결정립 입자를 분할하고, 존재하는 다양한 재료 상을 감지하며, 머신러닝 기능을 활용하여 다양한 정량적 분석을 수행할 수 있습니다.
제조업체의 경우, 컴퓨터 비전 기반 미세구조 분석은 재료가 특정 사양을 충족하는지 확인함으로써 품질 관리를 개선합니다. 이러한 시스템은 사람이 수행하는 분석보다 빠르게 잠재적 결함을 식별함으로써 원자력 발전소와 같은 극한 환경에서 재료의 무결성을 보장하거나 용접 재료의 안정성을 확인하는 데 도움을 줄 수 있습니다.
과학을 위한 AI의 미래: 혁신적이고 놀라운 변화
기술 발전과 과학적 돌파구는 항상 함께해 왔으며, AI 기반 기술이 지속적으로 향상됨에 따라 과학 연구의 여러 분야를 더욱 크게 변화시킬 것으로 기대됩니다.
위의 사례에서 볼 수 있듯이 과학 분야에서 AI를 활용하는 데 '만능'인 접근 방식은 없습니다. AI의 영향력은 데이터 마이닝, 통합, 분석, 최적화부터 시뮬레이션, 시각화, 예측 분석 및 모델링에 이르기까지 과학 및 컴퓨팅 분야 전반에 걸쳐 다양한 방식으로 나타날 것입니다.
CAS는 세계 최대 규모의 과학 정보 큐레이션 저장소인 CAS Content CollectionTM을 지속적으로 분석하여 연구 환경을 파악하고, AI가 헬스케어부터 재료 과학 등 다양한 분야에서 어떻게 의미 있는 변화를 만들어내고 있는지 연구합니다. 최첨단 혁신을 직접 확인하는 CAS는 2025년과 그 이후에 AI가 과학적 발견을 어디까지 이끌어갈지 기대하고 있습니다.
