섹션별 상세
이론적 소재 발견과 실제 합성 사이의 간극을 해결하기 위해 개발됐다. 생성형 AI가 수백만 개의 이론적 소재를 제시하고 있지만, 실제 합성 과정은 온도와 시간 등 수많은 변수에 따라 결과가 달라져 실용화에 어려움이 있었다. DiffSyn은 이러한 고차원적인 변수 조합을 머신러닝으로 최적화하여 실질적인 합성 경로를 제안한다.
DALL-E와 같은 이미지 생성 AI와 유사한 확산 모델(Diffusion Model) 아키텍처를 채택했다. 학습 과정에서 데이터에 무작위 노이즈를 추가하고 이를 다시 제거하는 과정을 반복함으로써, 무작위 상태에서 유의미한 합성 경로 구조를 찾아내는 방식을 취한다. 이를 통해 50년 분량의 과학 논문 데이터 23,000건을 효과적으로 학습했다.
촉매 및 흡착제로 널리 쓰이는 복잡한 구조의 제올라이트(Zeolite)를 대상으로 성능을 검증했다. 제올라이트는 결정화에 수일에서 수주가 걸려 최적의 경로를 찾는 것이 매우 중요하다. DiffSyn은 1분 이내에 1,000개의 합성 샘플을 생성할 수 있으며, 기존의 일대일 매핑 방식과 달리 하나의 구조에 대해 여러 가능한 합성 경로를 제시하는 일대다(One-to-many) 매핑 방식을 도입해 정확도를 높였다.
실제 실험을 통해 모델의 예측이 유효함을 입증했다. 연구팀은 DiffSyn이 제안한 경로를 따라 실험을 진행하여 기존보다 열 안정성이 뛰어난 새로운 제올라이트 소재를 성공적으로 합성했다. 이는 AI의 제안이 단순히 이론에 그치지 않고 실제 제조 공정에서 즉시 활용 가능한 수준임을 보여준다.
용어 해설
- 확산 모델(Diffusion Model)
- — 데이터에 노이즈를 추가했다가 이를 다시 제거하는 과정을 학습하여 새로운 데이터를 생성하는 생성형 AI 기법이다. 이미지 생성뿐만 아니라 복잡한 화학 합성 경로와 같은 고차원적인 구조를 설계하는 데에도 활용된다.
- 제올라이트(Zeolite)
- — 미세한 구멍이 많은 결정성 알루미노규산염으로, 촉매, 흡착제, 이온 교환기 등으로 널리 쓰이는 소재이다. 합성 과정에서 온도와 시간 등 변수가 매우 많아 제조가 까다로운 것으로 알려져 있다.
- 합성 경로(Synthesis Pathway)
- — 특정 화학 물질이나 소재를 만들기 위해 필요한 원료의 비율, 반응 온도, 처리 시간 등 일련의 제조 공정 순서와 조건을 의미한다. 소재의 최종 성능을 결정짓는 핵심 요소이다.
- 전구체(Precursor)
- — 최종 화학 생성물을 만들기 전 단계의 물질로, 반응에 참여하여 특정 구조를 형성하는 기초 재료이다. 전구체의 종류와 비율에 따라 합성되는 소재의 특성이 크게 달라진다.
기술
- DiffSyn
- Diffusion Model
- Generative AI
활용 사례
- 신소재 합성 경로 예측
- 제올라이트 제조 공정 최적화
- 고성능 촉매 개발
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 02.수집 2026. 02. 21.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.