4차 산업 혁명의 기반에는 6대 주요 기술 분야 중 하나인 인공지능(AI)이 있었다. AI 애플리케이션인 기계학습(Machine Learning; ML)은 새로 개발되는 전산 기법들과 결합하여 신물질 디자인 연구에서 많은 성공 사례들이 존재하며 비약적인 발전을 이루고 있다.
  원하는 물성을 갖는 재료 설계를 위해서는 물질의 특성(화학 조성, 구조)을 재현하는 것이 필수적이다. 이는 현대 물성과학 분야에서 가장 널리 사용되고 있는 밀도 범함수 이론(density functional theory; DFT)을 통해 정확하게 계산할 수 있다. DFT는 전자 밀도 함수를 이용하여 물질의 총에너지, 전자 준위, 전자 밴드구조와 다양한 물성들을 계산할 수 있으며 이를 이용해 이차적인 물리량도 계산이 가능하다. 제1원리 계산 방법론이라는 점에서 실험을 통한 경험적 데이터 없이도 높은 정확도의 예측을 가능하게 한다.
  하지만 탐색 범위가 증가할수록 DFT 계산량 또한 증가하며 큰 비용과 긴 시간이 소모되는 단점이 있다. 그러므로 최근에는 신재료의 효율적 설계를 위해서 ML을 사용하여 넓은 설계 공간을 신속하게 하향 선택하는 방법의 중요성이 대두되고 있다. ML은 고속 대량 스크리닝 연구로서 높은 정확도로 물성 예측이 가능하며 그 효과성 또한 수많은 선행 연구를 통해 입증되었다. 관심 있는 물성을 정의한 뒤 소재의 특성 예측을 통해 원자 배열과 조성비를 찾아내는 과정으로 진행된다. 최근에는 DFT 계산에 의존하지 않고 물질의 구조를 생성하는 GAN(generative adversarial networks)과 같은 ML 모델도 등장하였다. 재료 탐색 분야에서의 ML은 배터리 성능 예측을 통한 소재 설계, 단백질 작용 예측을 통한 신약 개발 등 활용 가능성이 무궁무진하다.
  신물질 탐색 연구에서 원하는 물성을 정의할 수 있는 양질의 데이터를 확보하는 것이 연구의 핵심 관건이다. 데이터의 특징에 따라 알고리즘, 최적화 기법, 예측 성능이 달라지므로 데이터에 대한 높은 이해도와 분석력이 필요하다. 적은 양의 데이터만으로 높은 성능을 가진, 저비용 고효율 예측 모델을 만드는 것이 궁극적인 목표이기 때문에 계속해서 다양한 신기술이 등장하고 있다.
  미지의 영역에서 새로운 물질을 체계적으로 설계/탐색하는 연구는 비교적 최근에 시작된 신생 분야이다. 빅데이터를 효과적으로 이용할 수 있는 AI 기술인 기계학습 분야에 대한 관심이 증폭되고 있는 만큼 이 주제에 관심이 있는 학생들이라면 도전할 만한 좋은 연구 분야라고 생각한다.