인류는 새로운 물질을 찾아내는 과정에서 늘 한계를 마주해왔다. 그러나 인공지능이 그 무한한 가능성의 숲을 비추는 등불이 되고 있다. GNoME 프로젝트는 ‘재료 발견의 미래’가 이미 시작되었음을 보여준다.

우리가 매일 사용하는 스마트폰, 전기차, 태양광 패널은 모두 ‘재료 과학’의 성과물이다. 반도체 칩에 쓰이는 실리콘, 배터리 속 리튬, 의학에서 사용하는 생체 적합성 금속 등 이들 물질은 어느 날 갑자기 하늘에서 떨어진 것이 아니다. 과학자들이 수십 년에 걸쳐 새로운 물질을 발견하고, 합성하며, 성능을 확인하는 과정을 거쳐 세상에 나온 결과다.

하지만 여기에는 커다란 한계가 있었다. 인류가 사용할 수 있는 화학적 조합은 사실상 무한대에 가깝다. 모든 원소를 조합해 새로운 결정 구조를 만들어내는 경우의 수는 상상을 초월한다. 그 속에서 ‘쓸모 있는 신소재’를 찾는 일은 마치 바늘구멍을 통해 우주를 들여다보는 것과 같다. 과학자들은 계산과 직관에 의존해 조금씩 후보를 좁혀왔지만, 여전히 많은 가능성이 미지의 영역으로 남아 있다.

이 지점에서 인공지능이 등장했다. 구글 딥마인드(DeepMind)가 발표한 'GNoME(Generalist Neural Network for Materials Exploration)' 프로젝트는, 인간의 직관만으로는 닿기 어려운 영역을 대신 탐험하는 새로운 길잡이다. 인공지능이 스스로 수백만 개의 새로운 결정 구조를 찾아내고, 그중 안정적으로 존재할 가능성이 큰 것들을 추려낸 것이다.

기존의 신소재 연구는 ‘계산 화학’에 크게 의존했다. 슈퍼컴퓨터를 활용해 원자 간 상호작용을 계산하고, 물질이 안정적으로 존재할 수 있는지를 확인한다. 하지만 원자가 수백 개만 돼도 계산량은 기하급수적으로 늘어난다. 수십 년 동안 이론 연구와 실험이 나란히 달려왔지만, “가능성의 우주”를 다 뒤지기에는 턱없이 부족했다.

GNoME은 이런 문제를 근본적으로 재설계한다. 수많은 기존 결정 구조 데이터를 학습한 딥러닝 모델을 이용해, 새로운 조합이 얼마나 안정적으로 존재할 수 있을지를 '순식간에 예측'한다. 다시 말해, 일일이 물리학 방정식을 풀지 않고도 “이 물질은 살아남을 수 있다”라는 가능성을 점수화해주는 것이다.

흥미로운 점은 이 모델이 단순히 ‘있다/없다’를 말하는 것이 아니라, '확률적 안정성 지도'를 그려준다는 점이다. 덕분에 연구자들은 무한한 후보군 중에서도 유망한 영역을 우선적으로 살펴볼 수 있다. 마치 어둠 속에서 무작정 헤매던 탐험가에게 손전등이 생긴 셈이다.

이번 연구에서 GNoME은 '220만 개가 넘는 안정적 결정 구조 후보'를 제시했다. 이는 지금까지 과학자들이 데이터베이스로 관리하던 안정적 화합물 수를 몇 배나 뛰어넘는 규모다. 그중 상당수는 인류가 아직 한 번도 기록하지 못했던 완전히 새로운 물질이다.

더 놀라운 사실은 이 예측 중 일부가 이미 실험실에서 합성 가능성이 확인되었다는 점이다. 단순히 ‘이론 속의 발견’에 머무르지 않고, 실제로 손에 잡히는 물질로 이어질 수 있음을 보여준 것이다. 과거에는 계산과 실험 사이의 간극을 메우는 데 수십 년이 걸리기도 했는데, 이제는 AI가 그 시간을 획기적으로 줄여주고 있는 셈이다.

이 결과는 신소재 탐색이 더 이상 ‘우연한 발견’의 영역이 아니라, '체계적이고 대규모적인 발굴 산업'으로 진입하고 있음을 상징한다.

새로운 물질이 가져올 변화는 우리의 일상과 산업 전반에 파고들 것이다. 먼저 '배터리 기술'이 대표적이다. 지금 전 세계가 리튬 자원 확보 경쟁을 벌이고 있지만, 만약 나트륨이나 칼륨 같은 더 흔한 원소를 기반으로 고성능 전극을 만들 수 있다면? 이는 전기차와 재생에너지 저장 산업의 비용 구조를 근본적으로 바꿔놓을 수 있다.

'반도체 산업'도 마찬가지다. 현재의 실리콘 기반 반도체는 이미 한계에 가까워지고 있다. 만약 새로운 초전도체나 특수 절연체가 등장한다면, 컴퓨터와 스마트폰은 물론 양자컴퓨터까지 완전히 다른 성능 수준에 도달할 수 있다.

또한 '의학 분야'에서도 신물질은 약물 전달체나 인체 적합성 소재로 활용될 수 있다. 인공지능이 제안한 물질 중 일부는 생체 환경에서 안정적으로 작동할 수 있는 가능성을 보여주고 있어, 맞춤형 의료 혁신에도 기여할 수 있다.

물론 장밋빛 전망만 있는 것은 아니다. GNoME의 예측이 곧바로 실험실에서 성공을 보장하는 것은 아니다. AI가 계산한 안정성은 ‘가능성’일 뿐, 실제 합성과 물리적 환경에서의 안정성은 또 다른 문제다.

또 하나의 도전은 '데이터 편향'이다. 인공지능은 학습 데이터에 의존하기 때문에, 데이터베이스에 많이 축적된 계열의 화합물 쪽으로 예측이 쏠릴 수 있다. 이는 발견의 다양성을 제한할 수 있다.

마지막으로 '윤리적·정책적 문제'도 있다. 새로운 물질이 공개되면 긍정적 활용뿐 아니라 군사적, 환경적 악용 가능성도 뒤따른다. 따라서 국제적 규제와 투명한 공유 방식이 함께 논의되어야 한다.

이 모든 것을 감안하더라도, GNoME이 열어갈 사회적 파급력은 거대하다. 과거에는 신소재 하나가 산업을 바꿨다면, 이제는 '수백만 개의 후보군이 한꺼번에 등장'하고 있다. 이는 연구 경쟁의 속도를 완전히 바꿔놓는다.

앞으로는 ‘AI 기반 소재 탐색’을 얼마나 빨리 산업화하고, 국가 전략으로 연결하는가가 경쟁력의 핵심이 될 것이다. 반도체, 배터리, 에너지, 바이오—all 분야에서 인공지능이 제안한 신소재가 게임 체인저가 될 수 있다. 과학자들은 이제 AI와 함께 일하며, 발견의 무대를 더 넓히고 있다.

궁극적으로 이 흐름은 “인공지능이 과학자를 대체한다”는 이야기로 귀결되지 않는다. 오히려 반대다. AI는 방대한 가능성을 좁혀주는 탐색자이고, 인간은 그 결과를 검증하고 사회적 맥락 속에서 활용하는 '해석자이자 실천자'다.

미래의 과학자는 실험실에서 시약을 섞기보다, AI가 제안한 수십만 개의 후보 중 가장 흥미로운 물질을 선택해 합성하고 시험하는 역할을 맡게 될 것이다. 즉, 'AI와 인간의 협업 모델'이 신소재 혁명의 중심에 서게 된다.

이것이 바로 GNoME 연구가 던지는 가장 큰 메시지다. 새로운 물질의 시대는 이미 시작되었고, 그 안내자는 인간의 직관을 넘어서는 인공지능이다.

Xie, T., Fu, X., Das, A., et al., 'Scaling deep learning for materials discovery.' 'Nature'.

Humanity has always faced limits in the search for new materials. Now, artificial intelligence is becoming the lantern that lights up this infinite forest of possibilities. The GNoME project shows that the “future of materials discovery” has already begun.

The smartphones, electric vehicles, and solar panels we use every day are all the fruits of 'materials science'. Silicon in semiconductor chips, lithium in batteries, and biocompatible metals in medicine—all of these substances did not suddenly fall from the sky. They are the results of scientists discovering new materials, synthesizing them, and confirming their performance over decades of effort.

But there has always been a huge limitation. The chemical combinations humanity can potentially use are virtually infinite. The number of possible crystal structures that can be created by combining all elements is beyond imagination. Finding “useful new materials” within this vast space is like peering into the universe through a needle’s eye. Scientists have relied on calculations and intuition to narrow down candidates step by step, but still, countless possibilities remain unknown.

At this point, artificial intelligence enters the stage. Google DeepMind’s 'GNoME (Generalist Neural Network for Materials Exploration)' project is not just a trial, but a new guide that explores areas unreachable by human intuition alone. AI has autonomously discovered millions of new crystal structures and selected those most likely to exist stably.

Traditional materials research has heavily depended on 'computational chemistry'. Using supercomputers, scientists calculate atomic interactions and determine whether a substance can exist stably. But even with just a few hundred atoms, the computational load skyrockets. For decades, theoretical research and experiments have progressed side by side, but it has been far from enough to explore the “universe of possibilities.”

GNoME fundamentally redesigns this process. By training on vast datasets of existing crystal structures, its deep learning model can instantly predict whether a new combination can stably exist. In other words, without solving physical equations one by one, it provides a probability-based answer like: “This material has a high chance of surviving.”

The fascinating part is that the model doesn’t just give a simple yes/no answer, but creates a 'probabilistic stability map'. This allows researchers to prioritize promising regions within an infinite candidate space. It is as if an explorer, once wandering blindly in the dark, suddenly acquired a flashlight.

In this study, GNoME presented 'more than 2.2 million stable crystal structure candidates'. This number surpasses by several times the known stable compounds managed in scientific databases so far. Among them, a significant number were completely new materials that humanity had never recorded.

Even more astonishing is that some of these predictions have already been experimentally validated as synthesizable. This shows that the results are not just “discoveries in theory,” but can be turned into tangible substances in the lab. In the past, bridging the gap between computation and experiment could take decades, but now AI is dramatically shortening that time.

This outcome signifies that materials exploration is no longer the realm of “serendipitous discovery,” but has entered the stage of a 'systematic and large-scale mining industry'.

The changes brought by new materials will penetrate every aspect of our daily lives and industries. The most notable example is 'battery technology'. The world is currently racing to secure lithium resources, but what if we could create high-performance electrodes based on more common elements like sodium or potassium? This could fundamentally reshape the cost structure of the electric vehicle and renewable energy storage industries.

The 'semiconductor industry' will also be revolutionized. Current silicon-based semiconductors are approaching their limits. If new superconductors or specialized insulators emerge, computers, smartphones, and even quantum computers could leap to entirely new performance levels.

In 'medicine', too, new materials could serve as drug delivery carriers or biocompatible materials. Some of the materials proposed by AI show potential for stability in biological environments, suggesting they could contribute to breakthroughs in personalized healthcare.

Of course, the outlook is not entirely rosy. GNoME’s predictions do not guarantee immediate success in the lab. The stability calculated by AI is only a “possibility,” and actual synthesis and physical stability in real-world environments remain separate challenges.

Another hurdle is 'data bias'. Since AI relies on training data, its predictions may skew toward compound families that are already well-represented in databases. This could limit the diversity of discoveries.

Finally, there are 'ethical and policy concerns'. If new material data is released indiscriminately, it could pose unforeseen military or environmental risks. Therefore, international regulations and transparent sharing mechanisms must be discussed alongside technological progress.

Even with these caveats, the social impact of GNoME is immense. In the past, a single new material could transform an industry, but now 'millions of candidates are emerging all at once'. This completely changes the speed of research competition.

In the future, the key to competitiveness will be how quickly nations can industrialize “AI-driven materials discovery” and integrate it into their strategies. Semiconductors, batteries, energy, biotech—across all these fields, AI-proposed new materials could become game changers. Scientists are now working side by side with AI, expanding the stage of discovery further than ever before.

Ultimately, this trend does not mean “AI will replace scientists.” In fact, quite the opposite. AI serves as the 'explorer' that narrows down the vast possibilities, while humans act as the 'interpreters and practitioners' who verify results and contextualize them in society.

Future scientists may spend less time mixing reagents in a lab and more time selecting the most promising materials from hundreds of thousands of AI-proposed candidates for synthesis and testing. In other words, the 'collaboration model between AI and humans' will stand at the center of the materials revolution.

This is the greatest message of the GNoME research. The new era of materials has already begun, and its guide is artificial intelligence that goes beyond human intuition.

Xie, T., Fu, X., Das, A., et al., 'Scaling deep learning for materials discovery.' 'Nature'.