신소재 개발은 방대한 실험과 시뮬레이션을 필요로 하며, 특히 초기 단계에서는 재료의 결정 구조 정보를 얻기 어려운 경우가 많습니다. 이러한 '저데이터(low-data)' 환경에서 재료의 특성을 정확하게 예측하는 것은 오랫동안 난제로 여겨져 왔습니다. 최근 웨이란 왕(Weiran Wang) 외 9명의 연구진이 제안한 AI 프레임워크 'DISTAL'은 이 문제를 해결하기 위해 구조 정보 없이도 재료 특성을 예측하는 새로운 접근 방식을 제시하며, 39개 벤치마크 태스크 중 37개에서 기존 모델 대비 향상된 성능을 보였습니다.
DISTAL은 두 가지 핵심 전략을 결합합니다. 첫째, 대규모 가상 조성 공간에서 145개의 조성 기반 설명자(descriptor)를 활용해 전이 가능한 조성 표현(compositional representation)을 자체 지도 학습(self-supervised pretraining) 방식으로 학습합니다. 둘째, 구조 정보를 활용해 사전 학습된 ALIGNN 모델로부터 구조적 지식(structural knowledge)을 증류(distillation)하여 조성 기반의 학생 모델에 전달합니다. 이 방식을 통해 학습 시에는 구조적 정보를 활용하되, 실제 예측 단계에서는 구조 입력 없이 조성 정보만으로도 정확한 예측이 가능해집니다. 즉, 명시적인 조성 설명자, 사전 학습된 잠재 특징, 그리고 증류된 구조적 특징을 통합하여 단일 표현으로는 얻기 어려운 상호 보완적인 신호를 포착하는 것이 DISTAL의 핵심입니다.
이러한 DISTAL의 등장은 신소재 개발 프로세스에 큰 변화를 가져올 수 있습니다. 특히 초기 연구 단계에서 구조 정보가 부족하거나 아예 없는 상황에서도 재료의 잠재적 특성을 빠르고 정확하게 예측할 수 있게 되어, 불필요한 실험을 줄이고 유망한 재료를 선별하는 데 드는 시간과 비용을 절감할 수 있습니다. 이는 제약, 에너지, 전자 등 다양한 산업 분야에서 혁신적인 재료를 발견하고 상용화하는 데 필수적인 요소로 작용할 것입니다. 궁극적으로 DISTAL은 재료 과학 분야의 AI 활용을 더욱 실용적이고 효율적으로 만드는 중요한 진전으로 평가됩니다.