과학자들은 인공지능을 활용하여 자연의 가장 복잡한 패턴을 1,000배 더 빠르게 해독하고 있습니다.

AI 모델은 경계 조건을 분자 정렬 및 결함 위치에 신속하게 매핑하여 수 시간에 걸친 시뮬레이션을 대체하고 첨단 광학 재료의 빠른 탐색 및 역설계를 가능하게 합니다. (동일한 강도와 반대 부호를 가진 두 점 결함이 서로 끌어당겨 소멸시키는 현상.) 사진 제공: Ingo Dierking

자연에서 관찰되는 복잡한 패턴의 상당수는 대칭성이 깨질 때 발생합니다. 시스템이 고도로 대칭적인 상태에서 보다 질서 있는 상태로 전환될 때, 작지만 안정적인 불규칙성이 나타날 수 있습니다. 위상 결함이라고 알려진 이러한 특징은 우주의 구조에서부터 일반적인 물질에 이르기까지 매우 다양한 규모에서 나타납니다. 위상 결함은 질서가 형성되는 곳이라면 어디에서든 나타나기 때문에 과학자들에게 복잡한 시스템이 어떻게 스스로 조직되는지 이해하는 강력한 도구를 제공합니다.

네마틱 액정은 이러한 결함을 연구하는 데 특히 유용한 환경을 제공합니다. 이 물질에서는 분자들이 자유롭게 회전하면서도 대략 같은 방향을 향할 수 있습니다. 이러한 특성 덕분에 액정은 제어 및 관찰이 용이하여 연구자들이 결함이 어떻게 나타나고, 이동하고, 시간이 지남에 따라 재구성되는지 추적할 수 있습니다. 전통적으로 과학자들은 란다우-드 제네스 이론이라는 수학적 틀을 사용하여 이러한 구조를 설명해 왔습니다. 이 이론은 결함 핵 내부에서 분자 질서가 어떻게 붕괴되는지, 즉 분자 방향이 더 이상 명확하게 정의되지 않는 현상을 설명합니다.

인공지능이 결함 예측 속도를 높이는 데 기여

충남대학교 나준희 교수 연구팀은 딥러닝을 활용해 안정적인 결함 패턴을 더 빠르게 예측하는 방법을 개발했습니다. 이번 연구는 느리고 계산 비용이 많이 드는 수치 시뮬레이션을 인공지능 기반 접근 방식으로 대체하여 훨씬 빠른 결과를 도출합니다.

학술지 '스몰(Small)'에 발표된 이 방법은 기존 시뮬레이션에서 일반적으로 몇 시간이 걸리는 것과 달리 밀리초 단위로 예측 결과를 생성할 수 있습니다.

나 교수는 "우리의 접근 방식은 느린 시뮬레이션을 빠르고 신뢰할 수 있는 예측으로 보완하여 결함이 많은 영역을 체계적으로 탐색할 수 있도록 합니다."라고 말했습니다.

딥러닝 모델 내부

연구팀은 과학 및 의료 영상 분석에 흔히 사용되는 합성곱 신경망의 일종인 3D U-Net 아키텍처를 활용하여 시스템을 구축했습니다. 이 설계 덕분에 모델은 대규모 정렬뿐만 아니라 결함과 관련된 미세한 국소적 세부 사항까지 인식할 수 있습니다. 단계별 시뮬레이션을 실행하는 대신, 이 프레임워크는 경계 조건을 최종 평형 상태에 직접 연결합니다. 경계 정보가 네트워크에 제공되면 네트워크는 결함의 모양과 위치를 포함한 전체 분자 정렬 영역을 예측합니다.

연구진은 모델 학습을 위해 다양한 정렬 시나리오를 포함하는 기존 시뮬레이션 데이터를 활용했습니다. 학습 후, 해당 네트워크는 이전에 접해본 적 없는 완전히 새로운 구성까지 정확하게 예측할 수 있었습니다. 이러한 예측 결과는 시뮬레이션 및 실험실 실험 결과와 매우 유사했습니다.

복잡하고 병합 가능한 결함 처리

이 모델은 명시적인 물리 방정식에 의존하는 대신 데이터로부터 직접 재료의 거동을 학습합니다. 이를 통해 결함이 병합, 분리 또는 재배열될 수 있는 고차 위상 결함과 같은 특히 복잡한 사례를 유연하게 처리할 수 있습니다. 실험 결과, 인공지능이 이러한 거동을 정확하게 포착하여 광범위한 조건에서 안정적으로 작동하는 것으로 확인되었습니다.

첨단 소재로 가는 더 빠른 길

이 접근 방식은 과학자들이 다양한 설계 가능성을 신속하게 탐색할 수 있도록 해주기 때문에, 정밀하게 제어된 결함 구조를 가진 재료를 설계할 수 있는 새로운 기회를 창출합니다. 이러한 기능은 첨단 광학 장치 및 메타물질에 특히 유용합니다.

나 교수는 "AI 기반 설계는 소재 개발 과정을 획기적으로 단축함으로써 홀로그램 및 VR 또는 AR 디스플레이부터 적응형 광학 시스템, 주변 환경에 반응하는 스마트 윈도우에 이르기까지 다양한 응용 분야에 사용될 스마트 소재 개발을 가속화할 수 있다"고 말했습니다.

출처: https://www.sciencedaily.com/releases/2026/01/260128075336.htm