---
title: "IBS, 서로 다른 촉매 데이터를 섞어 최고 성능 촉매 찾는 AI 개발"
published: 2026-05-28T09:00:01.540Z
canonical: https://jeff.news/article/3322
---
# IBS, 서로 다른 촉매 데이터를 섞어 최고 성능 촉매 찾는 AI 개발

IBS 현택환 연구팀이 단일원자 촉매와 페로브스카이트 산화물 데이터를 함께 학습하는 크로스브리딩 신경망을 만들었어. AI가 학습한 적 없는 새 촉매 구조 12종의 성능 순위를 예측했고, 실제 합성·전기화학 측정 결과와 순위가 정확히 일치했어.

- 국내 연구팀이 서로 다른 촉매 물질군의 데이터를 섞어, 기존에 없던 촉매 구조를 찾아내는 AI를 만들었음
  - 기초과학연구원(IBS) 현택환 나노입자연구단장 연구팀의 결과고, 논문은 5월 28일 국제학술지 네이처 머터리얼스에 실림
  - 이름은 크로스브리딩 신경망(CBNN). 말 그대로 서로 다른 촉매군의 특징을 교배하듯 결합하는 모델임

- 문제의 출발점은 수전해 촉매임
  - 물을 전기분해해 수소를 만드는 친환경 기술인데, 일부 반응은 속도가 느리고 에너지를 많이 먹음
  - 그래서 그린수소를 싸고 효율적으로 만들려면 고성능 촉매가 필요함
  - 촉매 성능은 원소 조합, 원자 배열, 표면 구조에 따라 크게 바뀌어서 실험만으로 최적 후보를 찾기 빡셈

- 기존 AI 촉매 연구는 보통 한 물질군 안에서만 후보를 찾았음
  - 예를 들면 단일원자 촉매는 단일원자 촉매끼리, 금속 촉매는 금속 촉매끼리 비교하는 식
  - 이번 연구는 그 경계를 넘겨서 단일원자 촉매와 페로브스카이트 산화물 데이터를 한 모델에 같이 먹인 게 포인트임

- CBNN은 입력 데이터 형태도 다르게 설계했음
  - 단일원자 촉매의 표면 원자 배열은 이미지 형태로 넣음
  - 페로브스카이트 산화물의 내부 구조는 그래프 형태로 넣음
  - AI가 두 물질군의 공통 특성을 잡아내게 만든 구조라, 그냥 데이터 많이 때려 넣은 모델과는 결이 다름

> [!IMPORTANT]
> AI가 예측한 12종 촉매의 성능 순위가 실제 합성과 전기화학 측정으로 확인한 순위와 정확히 일치했음. 이건 재료 탐색에서 꽤 센 검증 포인트임.

- 연구팀은 AI가 본 적 없는 새 촉매군을 예측 대상으로 잡았음
  - 구체적으로는 페로브스카이트 산화물 표면에 금속 단일원자를 고정한 구조임
  - 단일원자 촉매의 표면 특성과 페로브스카이트 산화물의 내부 구조 특성을 합친 셈
  - 이 조합은 기존 데이터셋 안에서 단순 검색하는 게 아니라, 새 설계 공간을 여는 쪽에 가까움

- 더 흥미로운 건 다중금속 구조까지 갔다는 점임
  - AI 예측을 바탕으로 여러 금속 단일원자를 함께 고정한 새 촉매를 설계함
  - 그 결과 기존 단일원자 촉매, 기존 페로브스카이트 산화물 촉매, 새로 합성한 다른 후보들을 모두 뛰어넘는 최고 성능을 보였음

- 연구팀은 설명 가능한 AI 쪽도 챙겼음
  - 모델이 단순히 “이게 좋음”만 내놓는 게 아니라, 특정 촉매를 우수하다고 판단한 근거도 설명하도록 설계함
  - 재료 과학에서는 이게 중요함. 실험자가 납득할 수 있어야 다음 합성 전략으로 이어지거든

- 현택환 단장은 이 접근이 촉매를 넘어 배터리, 에너지 소재, 신약 개발에도 확장될 수 있다고 봄
  - 공통점은 후보 공간이 너무 넓고 실험 비용이 크다는 것
  - 서로 다른 데이터군의 지식을 묶어 새 후보를 찾는 방식이면, “이미 알려진 것 중 최적화”에서 “아예 새로운 조합 발굴”로 넘어갈 수 있음

---

## 기술 맥락

- 이번 선택의 핵심은 서로 다른 재료 데이터를 억지로 하나의 표로 합치지 않았다는 점이에요. 표면 원자 배열은 이미지로, 내부 결정 구조는 그래프로 다뤘기 때문에 각 데이터가 원래 가진 구조적 의미를 살릴 수 있었어요.

- 왜 굳이 단일원자 촉매와 페로브스카이트 산화물을 섞었냐면, 둘이 강점이 다르기 때문이에요. 단일원자 촉매는 표면 반응 효율 쪽에 강하고, 페로브스카이트 산화물은 내부 금속 조합을 바꿔 성질을 조절하기 좋아요.

- 이 방식이 재밌는 이유는 AI가 기존 후보를 랭킹하는 데서 끝나지 않았다는 거예요. 학습 데이터에 없던 “페로브스카이트 산화물 표면에 금속 단일원자를 고정한 구조”를 예측 대상으로 삼았고, 실제 실험 순위와 12종 예측 순위가 맞았어요.

- 재료 개발에서는 실험 한 번 한 번이 비용과 시간이 많이 들어요. 그래서 이런 모델이 잘 맞으면 연구자는 무작정 합성하기보다, 성공 가능성이 높은 후보를 먼저 찔러볼 수 있어요.

## 핵심 포인트

- 서로 다른 촉매 물질군 데이터를 하나의 AI 모델로 결합해 새 구조를 예측함
- AI가 예측한 12종 촉매 성능 순위가 실험 검증 순위와 정확히 맞아떨어짐
- 여러 금속 단일원자를 고정한 다중금속 구조가 기존 후보들을 뛰어넘는 최고 성능을 보임

## 인사이트

재료 탐색에서 AI가 단순히 후보를 줄이는 수준을 넘어, 서로 다른 물질군의 지식을 조합해 아예 새 설계 공간을 여는 쪽으로 가고 있다는 사례야. 배터리, 에너지 소재, 신약처럼 실험 비용이 큰 분야에 꽤 직접적인 힌트가 됨.