왜 '알파폴드에 대한 소재'가 없는가? 헤이서 키리크의 AI 기반 소재 탐색

단백질 구조 예측 분야에서 AlphaFold가 거둔 성공은 "재료 과학에도 비슷한 돌파구가 가능하지 않을까"라는 기대를 낳았지만, Heather Kulik 교수는 그 기대가 단순히 모델 규모나 데이터 양의 문제가 아니라고 지적합니다. 단백질은 20개의 표준 아미노산이라는 제한된 빌딩 블록과 진화적으로 학습된 풍부한 시퀀스 데이터(UniProt 수억 개)를 갖춘 반면, 재료(특히 무기 결정, MOF, 촉매)는 주기율표 전체 원소의 조합·결정 구조·결함·합성 경로·환경 조건까지 포함하는 사실상 무한한 설계 공간을 가집니다. 게다가 DFT(밀도범함수이론) 계산은 본질적으로 근사이며, 실험 데이터는 출판 편향과 비표준화된 합성 절차 때문에 노이즈가 크고 ML 학습에 적합한 형태로 정제되어 있지 않습니다. 결과적으로 GNoME, MatterGen 같은 생성 모델이 등장했음에도 "예측된 안정한 구조"가 곧 "합성 가능하고 유용한 재료"로 이어지지 않는 갭이 존재합니다.

개발자/엔지니어 관점에서 이는 도메인 특성을 무시한 채 LLM·디퓨전 모델 패러다임을 그대로 이식하는 접근의 한계를 보여줍니다. 단백질처럼 "한 가지 잘 정의된 출력"이 있는 문제와 달리, 재료 발견은 다목적 최적화(전도도·내구성·합성 가능성·비용·독성)이며 능동학습(active learning), 베이지안 최적화, 물리 기반 시뮬레이터와의 하이브리드 루프가 핵심입니다. MIT의 molSimplify, Citrine, Materials Project 등의 워크플로우는 데이터 수집 → 대리 모델(surrogate) → 자동 합성 로봇 실험까지 통합한 "self-driving lab" 형태로 진화 중이며, 여기서는 RDKit/PyTorch Geometric/JAX-MD 같은 그래프·물리 라이브러리, 그리고 실험 메타데이터를 일관되게 저장하는 스키마(예: OPTIMADE) 다루기가 실질적인 엔지니어링 역량입니다.

따라서 ML 엔지니어가 이 분야로 진입하거나 협업할 때는 "더 큰 모델"보다 "더 좋은 평가지표와 데이터 파이프라인"에 투자해야 합니다. 합성 가능성(synthesizability) 점수, 분포 외(out-of-distribution) 일반화 검증, DFT 계산 비용을 고려한 active learning 예산 설계, 그리고 음성 결과(negative results)까지 포함하는 데이터 거버넌스가 모델 성능보다 결과 품질을 더 크게 좌우합니다. 또한 멀티모달 파운데이션 모델(MACE, Orb, UMA 등 범용 원자간 포텐셜)이 빠르게 발전하고 있으므로, 자체 모델을 처음부터 학습하기보다 이러한 사전학습 포텐셜을 fine-tune하고 실험 피드백 루프에 연결하는 MLOps 설계 능력이 단기적으로 가장 높은 레버리지를 제공할 것입니다.