LabHub

블로그

AI 재료과학 & 화학 2026 완벽 가이드 - DeepMind GNoME · Microsoft MatterGen · Orbital Materials · Citrine Informatics · Schrödinger · RoseTTAFold All-Atom · Boltz-1 · MACE · NequIP · DPMD 심층 분석

2026-05-16 · 33 분 읽기 · #ai-materials#chemistry-ai#gnome-deepmind#mattergen-microsoft#orbital-materials#citrine-informatics#schrodinger#rosettafold-aa#boltz#mace#nequip#dpmd

한국어English日本語

들어가며 — 2026년 5월, 재료과학이 "AlphaFold 모먼트"를 통과하다

2024년 노벨 화학상을 David Baker(단백질 설계)와 Demis Hassabis · John Jumper(AlphaFold)가 가져간 사건은 단순한 뉴스가 아니었다. 계산 화학 + 딥러닝이 학계가 인정한 새로운 연구 방법론이 됐다는 선언이었다. 같은 흐름은 단백질을 넘어 무기 결정, 촉매, 배터리 전극, 폴리머로 확산 중이다.

2023년 11월 DeepMind GNoME가 220만 개 안정 결정 후보를 발표하고, 2025년 1월 Microsoft가 생성형 결정 모델 MatterGen을 공개하고, 같은 분기 Orbital Materials가 GPT 스타일 재료 파운데이션 모델 Orb-v3를 오픈소스로 풀면서 판이 완전히 바뀌었다. 2026년 5월 현재, "신소재 한 개를 발견하는 평균 비용"이 10년 전 1만 분의 1로 떨어졌다는 추정이 진지하게 논의된다. iter86 약물 설계 글에 이어, 이번 글은 그 인접 영역인 재료과학·화학을 본다.

왜 재료과학 AI가 2026년의 화두인가 — 발견 비용의 붕괴

전통 재료과학은 추측 → 합성 → 측정의 루프로 평균 18-30년이 걸렸다. 리튬이온 배터리, 페로브스카이트 태양전지, 고온 초전도체 모두 비슷한 길이의 발견-상용화 주기를 거쳤다. AI 재료과학이 이 주기를 깨려는 시도는 다음 세 가지 도구를 결합한다.

이 세 도구를 결합해 "물성으로부터 후보 구조 생성 → MLIP로 빠른 1차 평가 → DFT로 검증 → 합성"이라는 역설계 파이프라인이 표준이 됐다.

DeepMind GNoME — 2.2M 결정 후보가 던진 충격

GNoME(Graph Networks for Materials Exploration)는 DeepMind가 2023년 11월 Nature 논문으로 공개한 결정 구조 발견 프로젝트다. 핵심 결과는 한 줄로 요약된다.

GNoME가 던진 충격은 단순한 숫자가 아니다. 48,000개(2023년까지 인류가 알던 안정 무기 결정)에서 220만 개로 한 단계에 단위가 두 자릿수 뛰었다. 후속 연구로 2024년에는 Berkeley A-Lab이 GNoME 후보 중 41개를 자동 합성에 성공하면서 "AI 발견 + 자동 합성" 루프가 실증됐다.

DeepMind는 GNoME 모델 자체는 비공개로 두고 데이터만 풀었다. 그러나 후속 연구자들이 같은 아이디어로 만든 오픈 모델이 빠르게 나오고 있는 상황이다.

Microsoft MatterGen — 생성형 결정 구조 모델의 표준

2025년 1월 Microsoft Research가 Nature에 발표하고 동시에 오픈소스로 푼 MatterGen은 확산(diffusion) 모델 기반 결정 구조 생성기다. GNoME가 "안정한 결정을 발견"했다면, MatterGen은 "원하는 물성을 갖는 결정을 디자인"한다.

Microsoft는 동일 라인업으로 MatterSim도 공개했다. MatterSim은 MatterGen이 생성한 구조의 안정성/물성을 빠르게 평가하는 시뮬레이터 역할이다. 두 모델을 묶어 "생성 + 평가" 파이프라인을 한 회사가 모두 제공한다는 점이 의미 있다.

MatterGen의 GitHub 리포지토리는 MIT 라이선스로 공개되어 있다.

# MatterGen 추론 예시(공식 README 의사 코드)
from mattergen.evaluation import StructureValidator
from mattergen.generation import MatterGenPipeline

pipe = MatterGenPipeline.from_pretrained("microsoft/MatterGen")
structures = pipe.sample(
    composition={"Li": 1, "Fe": 1, "P": 1, "O": 4},
    target_bandgap=2.5,
    n_samples=100,
)

validator = StructureValidator.from_pretrained("microsoft/MatterSim")
scored = validator.score(structures)

Orbital Materials Orb-v3 — 오픈소스 GPT 스타일 재료 파운데이션 모델

영국 스타트업 Orbital Materials는 2024-2025년 사이 Orb 시리즈를 발표하면서 빠르게 떠올랐다. Orb-v3(2025년 말)는 다음 특징을 가진다.

Orbital Materials는 "재료과학용 GPT-3 모먼트"를 목표로 한다고 명시한다. 단일 거대 모델을 학습해 두고, 다양한 다운스트림 태스크에 파인튜닝하는 패턴을 재료과학에 옮긴 것이다.

비슷한 흐름의 모델로 DPA-2(DeepModeling 컨소시엄, 중국), EquiformerV2(MIT, Hugging Face), PreFerredPotential(PFN 매트랜티스)가 있다. 2026년 5월 기준 "재료 파운데이션 모델"은 5-6개가 경쟁 중이다.

MACE — 머신러닝 원자간 포텐셜의 정확도 리더

분자동역학(MD) 시뮬레이션에서 가장 비싼 부분은 매 시간 스텝마다 원자 간 힘을 계산하는 것이다. DFT로 직접 계산하면 한 시뮬레이션에 며칠이 걸린다. MLIP(Machine-Learned Interatomic Potential) 는 이 힘 계산을 신경망으로 대체해 속도를 4-6 자릿수 가속한다.

MACE(MACE for atomistic simulations)는 케임브리지 대학 ACEnet 그룹이 만든 등변(equivariant) MLIP다. 2026년 5월 기준 정확도 부문 리더로 평가된다.

MACE의 성능은 다음 벤치마크에서 확인된다. SPICE 데이터셋, MPtrj(Materials Project 학습 분할), OC22/OC20(Open Catalyst), Matbench 등에서 상위권. 특히 Foundation Model 변형(MACE-MP-0, MACE-MP-2)은 사전학습된 가중치를 그대로 다운로드해 다양한 시스템에 zero-shot으로 적용할 수 있다.

# MACE Foundation Model 사용 예시
from mace.calculators import mace_mp
from ase.build import bulk

atoms = bulk("Si", "diamond", a=5.43)
calc = mace_mp(model="medium", dispersion=False, default_dtype="float32")
atoms.calc = calc
energy = atoms.get_potential_energy()
forces = atoms.get_forces()

NequIP, Allegro — 등변 신경망 포텐셜의 또 다른 축

MACE와 함께 등변 MLIP 진영의 양대 축은 NequIP(Neural Equivariant Interatomic Potentials)와 그 후속 Allegro다. 둘 다 하버드 MIT 공동연구진(Boris Kozinsky 그룹)의 작품이다.

학습 데이터를 똑같이 주면 MACE와 NequIP/Allegro의 정확도는 종종 동률에 가깝다. 차이는 하드웨어 친화성과 학습 안정성에서 갈린다. 대규모 시스템(수만 원자)에서는 Allegro가 메시지 패싱 깊이가 얕아서 더 빠른 경향이 있다.

DeePMD-kit — 중국발 대규모 MLIP 프레임워크

DeePMD-kit(DPMD)은 베이징 컴퓨터과학연구원과 프린스턴 e-CAS 협력으로 개발된 MLIP 프레임워크다. DeepModeling 컨소시엄(Bohrium, AISI Beijing 등)이 후속 관리.

중국발 LLaMA에 견줄 만큼, DPMD는 재료과학 MLIP의 "동방 축"으로 자리잡았다. 학술논문 인용 수와 깃허브 스타 모두 MACE/NequIP과 어깨를 나란히 한다.

SchNet, PaiNN, MatGL, CHGNet — 1세대 그래프 신경망 포텐셜 라인업

등변 MLIP가 등장하기 전, 재료과학 GNN의 표준은 SchNet과 PaiNN(둘 다 베를린 TU 그룹)이었다. 2026년에도 가벼운 시스템이나 빠른 프로토타입에는 여전히 쓰인다.

CHGNet은 특히 Materials Project가 학습 데이터로 사용한 모든 자성/비자성 구조를 다룬다는 점에서 "범용 결정 시뮬레이터" 후보로 자주 등장한다.

Materials Project — 공개 데이터베이스의 황제

Materials Project(Lawrence Berkeley National Lab + UC Berkeley, Kristin Persson)는 2011년 출범한 무기 결정 DFT 데이터베이스다. 2026년 5월 기준 약 15만 개 무기 결정의 DFT 계산 결과를 공개한다.

# Materials Project API 사용 예시
from mp_api.client import MPRester

with MPRester(api_key="YOUR_KEY") as mpr:
    results = mpr.materials.summary.search(
        elements=["Li", "Fe", "P", "O"],
        formula="LiFePO4",
        fields=["material_id", "formula_pretty", "band_gap", "formation_energy_per_atom"],
    )
    for r in results:
        print(r.material_id, r.formula_pretty, r.band_gap)

GNoME가 발견한 220만 개 후보는 2024년 이후 점진적으로 MP에 통합되고 있다. 즉, MP에 가면 GNoME 결과를 쿼리할 수 있다.

OQMD, AFLOW, NOMAD, JARVIS — 공개 DB 4대 형제

Materials Project 외에도 무기 재료 공개 DB는 4개가 더 있다.

각 DB의 강점이 다르다. 합금 검색은 OQMD, 2D 재료는 JARVIS, 다중 코드 호환은 NOMAD, 첫 진입은 Materials Project가 보통이다.

Citrine Informatics — 엔터프라이즈 재료 AI의 표준

Citrine Informatics(2013 설립, 본사 캘리포니아)는 재료과학 AI를 엔터프라이즈에 파는 회사다. 2026년 5월 기준 BASF, Panasonic, Boeing, Saint-Gobain 등 수십 개 글로벌 화학·소재 기업의 R&D 파트너다.

Citrine은 "AI 발견"보다 "의사결정 자동화"에 초점을 둔다. 회사가 가진 사내 데이터(특허, 실험 기록, 시뮬레이션 결과)를 모두 모아 의사결정 모델로 만드는 것이 본질이다.

비슷한 포지셔닝의 경쟁사로 Materials Zone(이스라엘), Uncountable(미국), Phaseshift(미국)가 있다.

Schrödinger — NASDAQ 상장 약물·재료 AI 강자

Schrödinger(NASDAQ: SDGR)는 1990년 설립된 양자화학 소프트웨어 회사로 출발했다. 2026년 5월 기준 시가총액 약 80억 달러 규모의 상장사이며, 약물 발견 + 재료 발견 두 트랙을 모두 운영한다.

Schrödinger는 자체 약물 후보(SGR-1505, SGR-2921 등)를 임상까지 진행하는 동시에, 대형 제약사(BMS, J&J, 다케다)와 협력 R&D 계약을 맺는다. 매출의 상당 부분이 소프트웨어 라이선스 + 약물 협업 마일스톤에서 발생한다.

RoseTTAFold All-Atom — 단백질·재료 통합 모델

2024년 5월 David Baker 그룹(워싱턴대학 IPD)이 Science에 발표한 RoseTTAFold All-Atom(RFAA) 은 단백질·핵산·소분자·금속이온·공유결합 변형을 모두 한 모델로 예측한다. 단백질만 다루던 RoseTTAFold 2의 후속이다.

David Baker는 RoseTTAFold + RFdiffusion + 단백질 디자인 패러다임으로 2024년 노벨 화학상을 공동 수상했다. iter86 약물 설계 글에서 단백질 측면을 더 깊게 다뤘다.

Boltz-1, Chai-1, ESM-3 — AlphaFold 3 오픈 대안 라인업

AlphaFold 3가 2024년 5월 Nature에 등장한 직후, 오픈소스 대안이 빠르게 나왔다.

2026년 5월 기준 Boltz-2가 학술 진영에서 가장 자주 인용되는 AF3 대안이다. Chai-1은 상용 약물 발견 워크플로에 더 많이 채택된다.

Atomwise, Isomorphic Labs, Genesis Therapeutics — AI 신약 발견 양대 트랙

재료과학과 분자 설계 경계에 있는 AI 신약 발견 회사들은 따로 정리해야 한다. iter86 약물 설계 글의 보완 차원에서 짧게 본다.

이 회사들은 재료과학 회사라기보다 AI 신약 발견이 본업이지만, 같은 분자 시뮬레이션 + 그래프 신경망 + 생성형 모델 스택을 공유한다.

DFT + AI — VASP, Quantum ESPRESSO, JAX-DFT, DM21

고전 DFT 도구는 여전히 재료과학의 백본이다. AI는 이들을 대체하기보다 가속하는 역할로 합류한다.

ASE(Atomic Simulation Environment, Python)는 위 도구들을 공통 인터페이스로 묶는 표준 라이브러리다. 2026년에도 ASE 없이 재료과학을 한다는 건 상상하기 어렵다.

합성 경로 계획 — IBM RXN, AiZynthFinder, Synthia, Postera

약물·소재 후보 분자를 찾으면 다음 단계는 합성 경로다. 어떤 출발물질로 어떤 반응을 거쳐 만들 수 있는지를 AI가 예측한다.

retrosynthesis 모델의 정확도는 2026년 기준 "전문 화학자 수준"에 근접한 것으로 평가된다. AiZynthFinder는 오픈소스로 공개되어 있어 학술 연구에 가장 자주 등장한다.

# AiZynthFinder 사용 예시
from aizynthfinder.aizynthfinder import AiZynthFinder

filename = "config.yml"
finder = AiZynthFinder(configfile=filename)
finder.stock.select("zinc")
finder.expansion_policy.select("uspto")
finder.target_smiles = "Cn1cnc2c1c(=O)n(C)c(=O)n2C"
finder.tree_search()
finder.build_routes()
print(finder.routes[0].metadata)

자동화 합성 랩 — Strateos, Emerald Cloud Labs, OpenTrons

AI가 후보를 추천하고 합성 경로를 짜면, 실제로 합성해 보는 단계가 남는다. 2026년 자동화 합성 랩은 다음 두 갈래다.

A-Lab은 GNoME 후보 41개를 17일 만에 자동 합성에 성공해 화제가 됐다(Nature 2023). 이 흐름은 "AI가 발견 → 자동 합성 → 데이터 다시 학습"의 자가 발전 루프를 완성하는 핵심이다.

배터리 + 에너지 재료 — 솔리드 스테이트와 분자 시뮬레이션

배터리는 재료과학 AI의 가장 큰 응용 분야다. 다음이 주목할 만하다.

배터리는 "재료 + 셀 디자인 + 사이클 수명 + 안전성"을 모두 다뤄야 해서, MLIP만으로는 부족하고 전기화학 + 열역학 + 기계공학 시뮬레이션의 결합이 필요하다. Citrine, Materials Zone 같은 회사가 이 통합 시뮬레이션 영역을 노린다.

미국 재료 게놈 이니셔티브(MGI) + EU Battery 2030+

정부 단위 재료 AI 프로그램은 미국과 EU가 가장 잘 정리되어 있다.

각 프로그램의 핵심은 데이터 표준 + 오픈 도구 + 산학협력이다. 미국이 데이터·도구를 만들고 기업이 응용하면, EU는 같은 도구를 공유하면서 산업 전환에 더 무게를 둔다.

한국 재료 AI — KIST, KIMS, POSTECH, 삼성, LG

한국 재료 AI 생태계는 다음 축으로 구성된다.

한국 정부도 2023년부터 "한국형 재료 게놈 이니셔티브" 예산을 본격 증액했다. 2026년 5월 기준 KMGI 산하 데이터 플랫폼(MaPS)이 베타 운영 중이다.

일본 재료 AI — NIMS, PFN Matlantis, AIST, Mitsubishi Chemical

일본은 재료 AI에서 정부 + 대기업 + 대학의 연계가 특히 촘촘하다.

Matlantis는 특히 주목할 만하다. 학술 도구가 아니라 상용 SaaS로 MLIP를 제공한 최초의 글로벌 서비스다. 화학·소재 회사가 API로 시뮬레이션을 요청하고 결과를 받는 모델이다.

화학정보학 라이브러리 — RDKit, DeepChem, PyG, e3nn

분자/결정을 다루는 파이썬 표준 라이브러리는 다음 4개다.

# RDKit 분자 지문 예시
from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles("CC(=O)OC1=CC=CC=C1C(=O)O")  # 아스피린
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
print(f"fingerprint bits set: {sum(fp)}")

학회와 워크숍 — MRS, ACS, NeurIPS AI4Mat

재료 AI 연구가 발표되는 주요 무대는 다음과 같다.

학회 트렌드는 분명하다. 순수 ML 학회(NeurIPS, ICML)에서 재료 트랙이 빠르게 성장하면서, 전통 재료 학회(MRS, ACS)는 ML 세션을 본 트랙에 편입하는 흐름이다.

한계와 과제 — AI 재료과학이 아직 못 푸는 것

2026년 5월 기준 AI 재료과학은 여전히 다음 한계를 가진다.

이 한계들이 풀리는 속도는 곧 "재료과학 AlphaFold 모먼트"가 어디까지 갈지를 결정한다.

마치며 — 2026년 5월, "추측의 시대"가 끝나고 있다

이 글의 출발 질문은 단순했다. "재료과학에 AlphaFold 같은 게 가능한가." 2026년 5월의 답은 "이미 일어나고 있다"이다. GNoME 220만 후보, MatterGen 조건부 생성, Orb-v3 오픈 파운데이션, MACE/NequIP MLIP, Materials Project 인프라, A-Lab 자동 합성 로봇 — 이 모든 조각이 2-3년 사이에 한꺼번에 갖춰졌다.

남은 과제는 이 도구들을 어떻게 산업 전환에 연결할 것인가다. 학술 논문이 아니라 실제 배터리 셀, 실제 항암제, 실제 OLED 패널이 나와야 한다. 그래서 Citrine·Schrödinger·Matlantis 같은 상용 다리(commercial bridge)가 향후 5년의 핵심 변수다.

재료과학 종사자라면 지금이 가장 변동성이 높은 시기다. 동시에 가장 보상이 큰 시기이기도 하다. AI 도구를 두려워하지 말고, 자기 도메인 지식 위에 한 겹 올려 사용하는 사람이 가장 빠르게 결과를 낸다.

References

댓글

아직 댓글이 없습니다.

로그인하면 댓글을 쓸 수 있습니다