본문 바로가기 대메뉴 바로가기
닫기

고온 실험 없이 AI로 '최적 합금' 예측 시대 연다​
조회수 : 936 등록일 : 2025-07-14 작성자 : 홍보실

(왼쪽부터) 신소재공학과 홍승범 교수, 최영우 박사과정

< (왼쪽부터) 신소재공학과 홍승범 교수, 최영우 박사과정 >

자동차와 기계 부품 등에 사용되는 강철 합금은 일반적으로 고온에서 녹이는(융해) 공정을 거쳐 제조된다. 이때 성분이 변하지 않고 그대로 녹는 현상을 ‘합치 융해(congruent melting)’라고 한다. 우리 연구진은 이처럼 고온 실험을 통해서만 가능했던 합금의 융해 특성을 인공지능(AI)으로 해결했다. 이번 연구는 고질적인 난제였던 합금이 녹을 때 서로 얼마나 잘 섞이는지를 미리 예측함으로써, 미래 합금 개발의 방향성을 제시한다는 점에서 주목받고 있다. 

우리 대학 신소재공학과 홍승범 교수 연구팀이 미국 노스웨스턴대 크리스 울버튼(Chris Wolverton) 교수팀과 국제 공동연구를 통해, 밀도범함수이론(DFT)* 기반의 형성에너지(합금이 얼마나 안정적인지를 나타내는 값) 데이터를 활용해 합금이 녹을 때 성분이 유지되는지를 예측하는 고정확도 머신러닝 모델을 개발했다고 14일 밝혔다.

*밀도범함수이론(Density Functional Theory, DFT): 전자 밀도(electron density)를 기반으로 시스템의 전체 에너지를 계산하는 방법 

연구팀은 밀도범함수이론을 통해 계산한 형성에너지와, 기존의 실험적 융해 반응 데이터를 머신러닝에 결합해 4,536개의 이원계 화합물에 대한 융해 반응 유형을 학습한 후, 그 예측 모델을 구성했다. 

다양한 머신러닝 알고리즘 중 특히 ‘XGBoost’ 기반 분류 모델이 합금이 잘 섞이는지 여부에 대해 가장 높은 정확도를 보였으며, 약 82.5%의 예측 정확도를 달성했다. 

연구팀은 또한 샤플리(Shapley) 기법*을 활용해 모델의 주요 특징(feature)들을 분석했으며, 이 중에서도 기울기 변화가 크다는 것은 그 조성에서 에너지적으로 매우 유리한(=안정한) 상태가 형성된다는 뜻으로 ‘형성에너지 곡선의 기울기 변화(convex hull sharpness)’가 가장 중요한 인자로 도출됐다.

*샤플리기법: AI가 어떤 이유로 그렇게 판단했는지를 알려주는 설명 도구 

이번 연구의 가장 큰 의의는 고온 실험 없이도 소재의 융해 반응 경향성을 예측할 수 있다는 점이다. 이는 특히 고엔트로피 합금이나 초내열 합금 등 실험이 어려운 소재 군에서 매우 유용하며, 향후 복잡한 다성분계 합금 설계에도 확장될 수 있다.

그림 1. 이원계 화합물의 융해 유형 예측 모델 학습 및 평가 과정 개요. 형성에너지 데이터와 융해 반응 데이터를 통합하여 데이터베이스를 구축, 해당 데이터셋을 기반으로 XGBoost 기반 융해 유형 분류 모델을 학습시킴. 학습된 모델을 통해 테스트 세트 내 이원 화합물의 융해 유형을 예측하고, 그 정확도를 평가함. 모델의 추가 검증을 위해 라벨이 없는 데이터의 융해 유형을 예측하고, 이를 기존 실험 데이터와 비교함.

< 그림 1. 이원계 화합물의 융해 유형 예측 모델 학습 및 평가 과정 개요. 형성에너지 데이터와 융해 반응 데이터를 통합하여 데이터베이스를 구축, 해당 데이터셋을 기반으로 XGBoost 기반 융해 유형 분류 모델을 학습시킴. 학습된 모델을 통해 테스트 세트 내 이원 화합물의 융해 유형을 예측하고, 그 정확도를 평가함. 모델의 추가 검증을 위해 라벨이 없는 데이터의 융해 유형을 예측하고, 이를 기존 실험 데이터와 비교함. >

또한, AI 모델이 도출한 주요 물리량은 합금이 잘 변하고, 안정적인지 등에 대한 실제 실험 결과와 높은 일치도를 보였고, 향후 다양한 금속재료 개발 및 구조 안정성 예측 등 널리 활용될 수 있을 것으로 기대된다. 

홍승범 교수는 “이번 연구는 계산과 실험 데이터, 그리고 머신러닝의 융합을 통해 기존의 경험적 합금 설계 방식에서 벗어나 데이터 기반의 예측적 소재 개발이 가능하다는 가능성을 보여준 사례”라며 “향후 생성형 모델, 강화학습 등의 최신 AI 기술을 접목하면 완전히 새로운 합금을 자동으로 설계하는 시대가 열릴 것”이라고 말했다.

그림 2. 융해 일치성 예측을 위한 모델 성능 및 특성 중요도 분석. (a) SHAP 요약 플롯은 각 특징이 모델 예측에 미치는 영향을 보여줌. (b) 모델의 분류 성능을 나타내는 혼동 행렬. (c) 모델의 ROC(Receiver Operating Characteristic) 곡선과 AUC(곡선 아래 면적) 점수 (0.87).

< 그림 2. 융해 일치성 예측을 위한 모델 성능 및 특성 중요도 분석. (a) SHAP 요약 플롯은 각 특징이 모델 예측에 미치는 영향을 보여줌. (b) 모델의 분류 성능을 나타내는 혼동 행렬. (c) 모델의 ROC(Receiver Operating Characteristic) 곡선과 AUC(곡선 아래 면적) 점수 (0.87). >

신소재공학과 최영우 박사과정 연구원이 제1 저자로 참여한 이번 연구는 미국물리협회(American Institute of Physics, AIP)에서 발간하는 머신러닝 분야의 권위 있는 학술지인 ‘APL 머신러닝(Machine Learning)’ 5월호에 게재 및 ‘특집 논문(Featured article)’로 선정됐다.

※ 논문 제목: Machine learning-based melting congruency prediction of binary compounds using density functional theory-calculated formation energy

※ DOI: https://doi.org/10.1063/5.0247514

한편, 이번 연구는 과학기술정보통신부와 한국연구재단의 지원으로 수행됐다.

합금융해합치융해APL Machine Learning머신러닝인공지능 홍승범 공과대학 신소재공학과
목록
관련뉴스