연구
< (왼쪽부터) 기계공학과 이송호, 박동근, 문현빈 박사과정, 유승화 교수 (상단) 경희대학교 임재혁 교수, KAIST 와비 데메케 박사 >
신소재 개발의 핵심 단계인 ‘물성 규명’은 그동안 방대한 실험 데이터와 고가 장비에 의존해야 해 연구 효율이 낮다는 한계가 있었다. KAIST 연구진은 재료와 에너지의 변형과 상호작용을 지배하는 ‘물리법칙’을 AI와 결합한 새로운 기법을 통해, 데이터가 부족한 상황에서도 신소재를 신속히 탐색하고 나아가 재료·기계·에너지·전자 등 다양한 공학 분야의 설계와 검증까지 빠르게 수행할 수 있는 기반을 마련했다.
우리 대학 기계공학과 유승화 교수 연구팀이 경희대(총장 김진상) 임재혁 교수 연구팀과 한국전기연구원(원장 김남균, KERI) 류병기 박사와 각각 공동 연구를 통해, 물리 법칙을 인공지능 학습 과정에 직접 반영하는 물리 기반 머신러닝(Physics-Informed Machine Learning, PIML) 기법을 활용해, 적은 양의 데이터만으로도 소재 물성을 정확히 규명할 수 있는 새로운 방법을 제시했다고 2일 밝혔다.
< 소재 물성 파악을 위한 물리기반 머신러닝 방법론 개략도 >
첫 번째 연구에서는 고무와 같은 잘 늘어나는 초탄성(hyperelastic) 소재를 대상으로, 단 한번의 실험에서 얻은 적은 양의 데이터만으로도 재료의 변형 모습과 성질을 동시에 알아낼 수 있는 ‘물리 기반 인공 신경망(Physics-Informed Neural Network, PINN)’ 기법을 제시했다.
기존에는 많은 양의 복잡한 데이터를 모아야만 가능했지만, 이번 연구는 데이터가 부족하거나 제한적이거나 잡음이 포함된 상황에서도 안정적으로 소재 특성을 재현할 수 있음을 입증했다.
두 번째 연구에서는 열을 전기로, 전기를 열로 바꾸는 신소재인 ‘열전 소재’를 대상으로, 단 몇 개의 측정값만으로도 열을 얼마나 잘 전달하는지(열전도도)와 전기를 얼마나 잘 만들어내는지(제벡 계수) 같은 핵심 지표를 추정할 수 있는 PINN 기반 역추정 기법을 제안했다.
나아가 연구팀은 자연의 물리 법칙까지 이해하는 인공지능인 ‘물리 기반 신경 연산자(Physics-Informed Neural Operator, PINO)’를 도입해 학습되지 않은 신소재에도 재학습 과정 없이 일반화가 가능함을 보여주었다.
< (좌측) 물리정보 신경망으로 초탄성 물성 규명 (우측) 물리정보 신경망 및 물리정보 신경 연산자로 열전 물성 추정·일반화 연구 >
실제로 20개 소재로 학습한 뒤, 60개의 새로운 소재를 대상으로 테스트했는데, 모두 높은 정확도로 성질을 맞혀냈다. 이로써 앞으로 수많은 신소재 후보를 빠르게 골라내는 고속·대량 소재 탐색이 가능해질 전망이다.
이번 성과는 단순히 ‘실험을 줄였다’는 수준을 넘어선다. 물리 법칙과 인공지능을 정교하게 결합해, 실험 효율은 높이고 신뢰성은 지킨 첫 사례이기 때문이다.
두 연구 모두 총괄하여 진행한 유승화 교수는 “이번 성과는 물리 법칙을 이해하는 인공지능을 실제 소재 연구에 적용한 첫 사례”라며, “데이터 확보가 제한적인 상황에서도 물성을 신뢰성 있게 규명할 수 있어 다양한 공학 분야로 확산될 것”이라고 말했다.
첫 번째 논문은 KAIST 기계공학과 문현빈·박동근 박사과정이 공동 제1 저자로 참여했으며 국제 학술지 ‘컴퓨터 매써드 인 어플라이드 머케닉스 엔 엔지니어링(Computer Methods in Applied Mechanics and Engineering)’에 8월 13일자에 게재되었다.
※논문 제목: Physics-informed neural network-based discovery of hyperelastic constitutive models from extremely scarce data
※DOI: https://doi.org/10.1016/j.cma.2025.118258
두 번째 논문은 KAIST 기계공학과 문현빈·이송호 박사과정, 와비 데메케(Wabi Demeke) 박사가 공동 제1 저자로 참여했으며 ‘엔피제이 컴퓨테이셔널 머티리얼즈(npj Computational Materials)’에 8월 22일자에 연이어 게재됐다.
※논문 제목: Physics-informed neural operators for generalizable and label-free inference of temperature-dependent thermoelectric properties
※DOI: https://doi.org/10.1038/s41524-025-01769-1
한편, 첫번째 연구는 한국연구재단·과학기술정보통신부 이노코어 프로그램 및 식품의약품안전처 연구과제의 지원을, 두번째 연구는 한국연구재단·과학기술정보통신부 이노코어 프로그램의 지원을 받아 수행됐다.
-
연구 데이터 속도 맞춰 스스로 반응하는 '카멜레온 AI 반도체' 개발
AI 반도체도 이제‘눈치'를 본다. 기존 AI 반도체는 입력 신호에 반응하는 속도와 정보를 기억하는 시간이 한 번 정해지면 바꿀 수 없는‘고정된 반응 특성'을 가졌지만, 이제는 데이터의 변화 속도에 맞춰 스스로 반응하는 시대가 열렸다. 우리 대학 연구진은 이 기술로 시간에 따라 변하는 데이터의 예측 오류를 기존보다 최대 40배 줄였다. 자율주행차와 로봇, 웨어러블 기기의 실시간 AI 성능을 높일 핵심 원천기술로 기대된다. 우리 대학은 전기및전자공학부·반도체공학대학원 최신현 석좌교수 연구팀이 입력되는 데이터의 변화 속도에 따라 반응 특성을 자유롭게 바꿀 수 있는 새로운 AI 반도체 소자‘프로그래머블 동적 멤트랜지스터(Programmable Dynamic Memtransistor, PDM)'와 이를 집적한 어레이를 개발했다고 7일 밝혔다. 멤트랜지스터(Memtransistor)는 정보를 저장하는 메모리(Memory)와 계산을 수행하
2026-08-07 -
연구 AI 데이터센터 시대 '거대한 배터리' 상용화 앞당긴다
폭발적으로 늘어나는 AI 데이터센터 시대를 뒷받침할‘거대한 배터리'의 상용화가 한층 가까워졌다. 우리 대학 연구진이 대용량 배터리의 핵심 소재 생산 시간을 67% 줄이는 공정 기술을 개발해 상용화의 가장 큰 생산 병목을 해결했다. 우리 대학은 생명화학공학과 김희탁 교수 연구팀이 대용량 에너지저장장치(ESS)의 유력 후보인 바나듐 레독스 흐름전지(VRFB)의 핵심 전해질을 빠르고 안정적으로 생산하는 공정을 개발했다고 5일 밝혔다. 최근 24시간 끊임없이 가동되는 AI 데이터센터가 급증하면서 태양광과 풍력 등 재생에너지로 생산한 전기를 대량으로 저장했다가 필요할 때 안정적으로 공급하는 대용량 ESS의 중요성이 커지고 있다. 특히 바나듐 레독스 흐름전지는 화재 위험이 거의 없고, 전해질을 담는 탱크만 크게 만들면 저장 용량도 쉽게 늘릴 수 있어 AI 데이터센터와 재생에너지용 초대형 배터리로 주목받고 있다. 그러나 배터리의‘연료' 역할을 하는 바나듐 전해질
2026-08-05 -
행사 피지컬 AI 인재 키운다…KAIST·서울대 100시간 로봇 해커톤 개최
AI가 글을 쓰고 그림을 그리던 화면 밖으로 나와 현실 세계를 보고 움직이는 피지컬 AI(Physical AI) 시대가 열리고 있다. 우리 대학이 학생들의 상상을 실제 움직이는 로봇으로 구현하는 100시간의 도전을 통해 피지컬 AI 인재 양성에 나선다. 우리 대학은 우리 대학과 서울대학교 학생들이 만든 연합단체 로보틱어스(RoboticUS)가 8월 3일부터 8일까지 KAIST에서 ‘제1회 로봇 해커톤’을 개최한다고 4일 밝혔다. 배충식 KAIST 총장은 “피지컬 AI 시대에는 AI를 잘 만드는 것을 넘어 AI를 기반으로 실제 세상을 움직이는 로봇과 시스템을 설계하고 구현할 수 있는 융합형 인재가 필요하다”며 “학생들이 스스로 기획하고 운영한 이번 해커톤은 KAIST의 도전과 협업 문화를 보여주는 좋은 사례이며, 미래 기술을 현실로 구현하는 새로운 교육 모델이 될 것으로 기대한다”고 말했다. 이번 해커톤은 이러한
2026-08-04 -
연구 AI가 택배 배송·인력 배치까지 스스로 짠다...‘실행 가능한 계획’ 만드는 기술 개발
택배 배송과 공장 생산계획, 병원 근무표까지. 앞으로는 인공지능(AI)이 현실의 모든 조건을 고려해‘실제로 실행 가능한 계획'을 스스로 만드는 시대가 열린다. 우리 대학 연구진이 외부 전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만드는 기술을 개발했다. 우리 대학은 전산학부 김민수 교수 연구팀이 외부의 전문 최적화 프로그램(솔버, Solver·복잡한 최적화 문제의 정답을 자동으로 계산하는 프로그램) 없이도 AI가 스스로 실행 가능한 계획을 만들도록 학습하는 강화학습(Reinforcement Learning·시행착오를 반복하며 더 나은 선택을 배우는 AI 학습 방식) 기술‘RL-SPH(Reinforcement Learning-based Start Primal Heuristic)'를 개발했다고 3일 밝혔다. 이번 기술은 AI가 현실의 여러 제약조건을 스스로 만족하는 계획을 만들어낼 수 있도록 한 것이 핵심이다.
2026-08-03 -
연구 AI가 '안 들리는데 들린다' 우기는 시대 끝낸다
AI가 ‘안 들리는데 들린다’, ‘없는데 있다’고 우기는 시대가 끝난다. 우리 대학 연구진이 AI가 여러 감각 정보를 스스로 구분하고 존재하지 않는 정보를 만들어내는 ‘환각’을 줄이는 핵심 기술을 개발했다. 자율주행차와 로봇, 의료 AI 등 실제 산업 현장에서 더욱 신뢰할 수 있는 멀티모달 AI 구현의 기반이 될 것으로 기대된다. 우리 대학은 전기및전자공학부 노용만 교수 연구팀이 멀티모달 대형 언어모델(MLLM, 텍스트와 이미지·소리 등 여러 정보를 함께 이해하는 AI)의 감각 혼선을 줄이는 두 가지 핵심 기술을 개발했다고 31일 밝혔다. 이번 기술은 카메라와 다양한 센서의 특성을 정확히 이해하도록 하는 기술과 시각·청각 정보가 뒤섞이면서 발생하는 환각을 줄이는 기술로, 별도의 대규모 재학습 없이도 AI의 신뢰성을 크게 높였다. 연구팀이 개발한 첫 번째 기술은 AI가 열화상(Thermal
2026-08-03