MIT 모델, 3차원 결정 구조와 텍스트를 연결해 AI의 재료 추론 지원

MIT 연구진은 공동 연구자들과 함께 3차원 결정 구조와 자연어 설명을 연결하는 멀티모달 AI 모델을 구축했다. 이를 통해 AI 시스템이 결정질 재료와 그 특성에 대해 추론할 수 있게 된다. MIT 재료과학공학과의 Ju Li 그룹이 수행한 이 연구는 동료 심사 학술지 Nature Communications에 게재됐다. 논문은 이 시스템을 CLaC(Contrastive Language-Crystal model, 대조 언어-결정 모델)라고 명명했다.

MIT News에 따르면 현재의 대규모 언어 모델이 재료를 다루기 어려운 이유는, 결정 구조가 이들 모델이 학습하는 텍스트가 아닌 전문 형식으로 저장되어 있고, 실험 문헌이 소수의 인기 있는 결정 부류에 집중되어 있기 때문이다. 논문은 결정 데이터베이스의 항목이 수백만 건에 그쳐 시각-언어 모델을 뒷받침하는 데이터보다 훨씬 적다고 지적한다. 이를 보완하기 위해 연구팀은 Materials Project의 구조를, 계산된 특성에 근거해 GPT가 합성한 서술문 및 논문에서 추출한 단락과 짝지었다. 저자들은 합성 서술문이 사람이 쓴 문헌보다 300배 더 다양한 결정 집합을 포괄한다고 보고한다. 그래프 신경망이 구조를 인코딩하고, 텍스트 인코더가 언어를 처리하며, 대조 학습이 둘을 공유 표현 공간에 배치한다.

제로샷 시험에서 합성 서술문으로 학습한 버전은 구조를 올바른 조성 설명과 95.4 ± 0.2%의 정확도로 매칭했으며, 학습하지 않은 모델은 13.5 ± 0.3%, Gemma-3-1b-it 기반 기준 모델은 17.8 ± 0.3%였다고 논문은 밝혔다. 논문에서 추출한 텍스트만으로 학습한 버전은 목표 특성에 맞는 재료를 검색하라는 요청에서 대체로 무작위 선택과 비슷한 성능을 보였다. 배터리 사례에서 연구진은 높은 밴드갭 기준만으로 리튬이온 고체 전해질 후보를 탐색했는데, 상위 30개 재료가 모두 리튬을 포함했고 평균 밴드갭은 3.23 eV였다. 4위를 차지한 Li6PClO5는 독립적인 연구에서 유망하다고 지목된 바 있으며, 9위인 Li4SiO4는 이전에 박막 고체 전해질로 제작된 적이 있다.

저자들은 명확한 한계도 기술한다. 결정계 분류 정확도는 34.0 ± 0.4%에 그쳐 Gemma 기준 모델과 거의 비슷한 수준이었는데, 저자들은 이를 16이라는 작은 학습 배치 크기와 결정계 분포의 심한 불균형과 연관짓는다. 전해질의 핵심 특성인 이온 전도도는 합성 데이터셋에 없어 배터리 질의에 사용할 수 없었다. 논문은 또한 이 분야에 표준 멀티모달 벤치마크가 없어 모델 간 직접 비교가 어렵고, 이 모델을 활용한 지시 기반 재료 탐색은 향후 과제로 남아 있으며, 데이터셋 구성과 텍스트 생성이 검색 동작과 잠재적 편향을 어떻게 형성하는지에 대해 더 많은 연구가 필요하다고 덧붙인다.

“구조는 재료과학 분야의 진정한 핵심이다”라고 Li는 MIT News 보도자료에서 말하며, 구조를 이해하면 연구자가 재료의 특성에 대해 많은 것을 추론할 수 있다고 덧붙였다. 그는 이 모델을 단백질 구조와 기능을 연결하는 AlphaFold에 비유했다. 공동 저자 Elsa Olivetti는 이 접근법이 구조를 특성 및 공정과 연결한다고 말하며 “이것이 그런 단계적 변화 중 하나가 되기를 바란다”고 덧붙였다. 다른 저자로는 제1저자이자 전 MIT 박사후연구원인 Yang Jeong Park, Mayank Kumaran, Chia-Wei Hsu가 있다. MIT News에 따르면 이 연구는 한국연구재단과 미국의 두 국방 기관인 국방위협감소국 및 국방고등연구계획국의 일부 지원을 받았다.