AI 예측을 비껴간 유기태양전지, 답은 ‘분자끼리 뭉침’이었다

• UNIST와 성균관대 연구팀이 친환경 공정에서도 효율 19.67%를 찍은 유기태양전지를 개발함

  • 유기태양전지는 원료를 용매에 녹여 기판에 코팅하는 방식이라, 가볍고 휘어지는 차세대 태양전지로 자주 언급됨
  • 건물 외벽, 창문, 웨어러블 기기처럼 기존 실리콘 태양전지가 애매한 곳에 붙일 수 있다는 게 매력임

• 이번 성능의 핵심은 새로 설계한 YBOV 분자의 ‘사전 응집’임

  • YBOV는 용액 속에서 분자끼리 미리 뭉치는데, 이 뭉침이 박막 형성 과정에서 결정 성장의 씨앗처럼 작동함
  • 광활성층의 분자 배열이 더 질서 있게 잡히면 빛을 받아 만든 전하가 더 잘 이동하고, 결과적으로 전지 효율이 올라감

• 더 재밌는 건 이 성능을 AI 모델이 제대로 못 맞혔다는 점임

  • 연구진은 750개 유기태양전지 데이터를 학습한 AI 모델을 만들었는데, YBOV가 들어간 전지의 개방전압을 유독 낮게 예측함
  • 이유는 간단함. 모델은 분자 하나의 구조를 보고 예측했지만, 실제 성능은 용액 속에서 여러 분자가 함께 뭉치며 만드는 집단적 물리 현상에서 나왔음

• YBOV 효과는 특정 조합에만 갇히지 않았음

  • 유기태양전지 광활성층은 전자주개 분자와 전자받개 분자로 구성되는데, YBOV는 전자받개 쪽에 해당함
  • 전자주개 조합을 바꾸거나, 별도 전자받개에 YBOV를 소량 첨가제처럼 넣은 경우에도 대조군보다 효율이 올라감

• 결론은 ‘AI가 틀렸다’보다 ‘AI가 못 보는 스케일이 있다’에 가까움

  • 분자 구조 기반 예측만으로는 용액 상태의 집합 거동, 박막 성장 과정, 결정 배열 같은 변수를 놓치기 쉬움
  • 소재 AI를 실전에 쓰려면 분자 단위 특성뿐 아니라 공정 중 물리 현상까지 모델링해야 한다는 얘기임

---

기술 맥락

• 이번 선택의 핵심은 분자 구조만 바꾼 게 아니라, 용액 상태에서 분자가 어떻게 모이는지를 설계 변수로 본 거예요. 유기태양전지는 박막이 만들어지는 과정이 성능에 크게 영향을 주기 때문에, 원료 분자가 굳기 전에 어떤 상태인지가 꽤 중요하거든요.

• AI 모델이 놓친 이유도 여기서 나와요. 모델은 750개 데이터를 학습했지만 입력 관점이 분자 하나의 구조에 가까웠고, YBOV처럼 여러 분자가 함께 움직이며 만드는 효과는 직접 보기 어려웠어요.

• 그래서 이 연구는 소재 AI가 쓸모없다는 얘기가 아니라, 어떤 피처를 넣어야 하는지 다시 보자는 쪽에 가까워요. 실제 제조 공정에서는 용매, 응집, 결정 성장, 박막 배열이 한꺼번에 얽히기 때문에 데이터셋에도 그런 맥락이 들어가야 예측력이 좋아져요.