▲ 소재 물성 파악을 위한 물리기반 머신러닝 방법론 개략도(그림=KAIST)  © 특허뉴스

신소재 개발의 병목이던 ‘물성 규명’이 물리학과 인공지능의 결합으로 뚫렸다. 

KAIST 기계공학과 유승화 교수 연구팀은 경희대 임재혁 교수 연구팀, 한국전기연구원 류병기 박사와 함께 물리 법칙을 학습 과정에 직접 반영하는 물리 기반 머신러닝(PIML)을 적용, 소량의 실험 데이터만으로도 재료의 핵심 물성을 정확히 추정하는 기법을 제시했다. 데이터 축적과 고가 장비에 의존하던 기존 접근을 대체·보완함으로써, 구조 해석·에너지·우주항공 등 물리가 지배하는 공학 전 분야로의 확산 가능성을 열었다.

연구진은 우선 초탄성(hyperelastic) 소재를 대상으로 물리 기반 신경망(PINN)을 구현해, 단 한 번의 실험에서 얻은 제한적 데이터만으로도 재료의 변형 거동과 물성을 동시에 복원하는 데 성공했다. 기존처럼 복잡하고 방대한 데이터셋이 없어도 잡음 환경에서 안정적으로 특성을 재현할 수 있음을 입증한 것이다.

또 다른 축에서는 열전 소재를 겨냥해 PINN 기반 역추정(inverse) 기법을 제안했다. 극소수의 측정값으로 열전도도와 제벡 계수 같은 핵심 지표를 뽑아내, 실험 비용과 시간을 대폭 줄이면서도 설계·검증의 신뢰성을 확보했다.

나아가 연구팀은 물리 지식을 더 깊이 내재화한 물리 기반 신경 연산자(PINO)를 도입해 일반화 능력을 확인했다. 20개 소재로 학습한 모델이 재학습 없이 60개의 새로운 소재에 대해 높은 정확도로 물성을 맞혀, 앞으로 수많은 후보군을 빠르게 거르는 고속·대량 탐색 파이프라인의 실용성을 보여줬다.

이번 성과는 “실험을 줄였다”는 수준을 넘어선다. 물리 방정식과 경계조건을 학습의 제약으로 통합해 데이터 절감과 과학적 타당성을 동시에 달성한 첫 사례로, 재료·기계·에너지·전자 영역의 설계–해석–검증 워크플로를 근본적으로 재구성할 토대를 마련했다. 

유승화 교수는 “물리 법칙을 이해하는 인공지능을 실제 소재 연구에 투입한 첫 사례”라며 “데이터가 부족한 상황에서도 신뢰 가능한 물성 규명이 가능해 다양한 공학 분야로 빠르게 확산될 것”이라고 말했다.

첫 번째 연구는 KAIST 문현빈·박동근 박사과정이 공동 제1저자로 참여해 Computer Methods in Applied Mechanics and Engineering 8월 13일자에, 두 번째 연구는 문현빈·이송호 박사과정과 와비 데메케 박사가 공동 제1저자로 참여해 npj Computational Materials 8월 22일자에 각각 게재됐다.

첫번째 연구 논문명은 Physics-informed neural network-based discovery of hyperelastic constitutive models from extremely scarce data이고, 두번째 연구 논문명은 Physics-informed neural operators for generalizable and label-free inference of temperature-dependent thermoelectric properties이다.