AI의 소재 예측은 언제 ‘발견’이 될까: 차세대 메모리 후보의 조건

핵심 요약

• 오래전에 알려진 물질에서도 아직 밝혀지지 않은 성질을 찾을 수 있습니다.
• AI는 실험할 소재 후보를 제안할 수 있지만, 예측만으로 실제 물성을 입증할 수는 없습니다.
• 상온 자성 반도체 후보는 원하는 조건에서 자성과 반도체 성질이 함께 나타나는지 확인해야 합니다.
• 메모리로 쓰려면 정보를 쓰고 읽고 유지할 수 있는지, 반복해서 동작해도 문제가 없는지 검증해야 합니다.

AI는 오래된 물질을 다시 살펴보고 “이 소재가 차세대 메모리에 쓰일 수도 있겠습니다”라고 제안할 수 있습니다. 새로운 물질을 만드는 일만큼 이미 알려진 물질에서 미처 몰랐던 가능성을 찾는 일도 흥미롭습니다. 다만 후보를 찾았다는 말과 쓸 수 있는 메모리를 만들었다는 말 사이에는 넘어야 할 단계가 여럿 있습니다.

오래된 물질에서도 새로운 발견이 나올 수 있습니다

오래전에 보고된 물질이라도 그 성질을 모두 안다고 할 수는 없습니다. 처음 연구에서는 결정 구조를 주로 살펴봤을 수 있습니다. 온도나 조성을 바꿨을 때 나타나는 전기적·자기적 성질은 후속 연구에서 다룰 수 있고요.

AI가 이런 물질을 다시 검토했다면 무엇이 새로운지 짚어봐야 합니다. 물질 자체는 이미 알려져 있어도 새롭게 제안한 성질이 연구의 성과일 수 있습니다. 그래서 “새 물질을 발견했다”와 “기존 물질의 새로운 성질을 예측했다”는 구분해서 읽어야 합니다.

AI는 관련 문헌을 연결하거나 계산해볼 후보의 우선순위를 정하는 데 도움을 줄 수 있습니다. 실험에 쓸 시간과 장비가 한정된 연구실이라면 무엇부터 확인할지 정하는 것만으로도 보탬이 됩니다.

그 추천이 실제로 얼마나 쓸모 있었는지는 이후 검증 결과를 보고 판단해야 합니다.

상온 자성 반도체가 메모리와 연결되는 이유

자성 반도체는 자기적 성질과 반도체 성질을 함께 가진 소재입니다. 반도체는 전류의 흐름을 제어하는 데 쓰이고, 자성은 전자의 ‘스핀’과 관련이 있습니다.

스핀은 전자가 지닌 양자역학적 성질입니다. 작은 자석이 가리키는 방향을 떠올리면 이해하는 데 도움이 됩니다. 그렇다고 전자가 실제로 팽이처럼 회전한다는 뜻은 아닙니다.

이 스핀을 정보 처리에 활용하는 분야가 스핀트로닉스입니다. 전하의 이동뿐 아니라 자화 방향 같은 상태도 정보로 이용합니다. 이런 상태를 안정적으로 유지하고 제어할 수 있다면 메모리로 활용하는 방안을 생각해볼 수 있습니다.

여기에 ‘상온’이라는 조건이 붙으면 실용적인 측면에서도 관심을 끕니다. 특별히 냉각하지 않아도 원하는 자기적 성질을 유지할 가능성이 있기 때문입니다. 다만 상온에서 자성을 보인다는 사실만으로 저전력 메모리가 완성되는 것은 아닙니다.

계산 결과는 어디까지 말해줄까요?

AI가 후보를 골랐다는 설명을 접하면 먼저 무엇을 계산했는지 살펴봐야 합니다.

결정 구조를 제안한 결과와 전자의 에너지 상태를 계산한 결과는 뒷받침하는 주장의 범위가 다릅니다. 특정한 자기적 배열이 더 안정적이라는 예측도 그에 맞는 범위에서 읽어야 합니다.

특히 안정적인 자기 배열의 예측만으로 상온에서 유지되는 자기적 질서의 확인까지 끝났다고 볼 수는 없습니다. 온도가 올라가면 열적 요동이 원자와 전자의 상태에 영향을 줍니다. 특정 조건에서 유리했던 배열이 실제 사용 온도에서도 유지되는지는 따로 확인해야 합니다.

계산에서 가정한 물질과 실제 시료도 다를 수 있습니다. 계산에서는 결함이 없는 이상적인 결정을 가정할 수 있지만, 실제로 만든 시료에는 결함이나 불순물이 들어갈 수 있습니다.

따라서 후보를 검증하려면 먼저 원하는 결정 구조대로 시료가 만들어졌는지 확인해야 합니다. 그다음에는 같은 조건에서 반도체 성질과 목표한 자기적 성질이 함께 나타나는지 측정해야 합니다. 관찰한 자성이 다른 물질이나 불순물에서 나온 것은 아닌지도 살펴야 합니다.

계산을 하면 실험에서 무엇을 확인할지 더 구체적으로 정할 수 있습니다. 예측이 얼마나 맞았는지는 실제로 측정해봐야 알 수 있습니다.

소재의 발견과 메모리의 완성은 다른 단계입니다

실험에서 예측한 물성을 확인했다고 가정해보겠습니다. 그러면 새로운 성질을 발견했다는 주장을 훨씬 강하게 뒷받침할 수 있습니다. 그래도 메모리로 쓰려면 다음 질문에 답해야 합니다.

• 원하는 상태를 적은 에너지로 바꿀 수 있나요?
• 저장한 상태를 안정적으로 읽을 수 있나요?
• 필요한 시간 동안 정보를 유지할 수 있나요?
• 쓰기와 읽기를 반복해도 성능이 유지되나요?

소재를 작게 가공하고 전극을 붙인 뒤에도 같은 성질이 유지돼야 합니다. 다른 공정과 함께 쓸 수 있는지도 확인해야 합니다. 소재에서 흥미로운 특성을 찾았다고 해서 소자에서도 곧바로 좋은 성능을 얻을 수 있는 것은 아닙니다.

그렇다고 계산 예측의 가치를 낮게 볼 필요는 없습니다. 좋은 예측이 있으면 실험해볼 이유가 생깁니다. 실험 결과가 예상과 다르더라도 그 차이를 분석하면 다음 후보를 고르는 기준을 다듬을 수 있습니다.

저는 AI가 후보를 몇 개 내놓았는지보다 그 예측이 얼마나 구체적인 검증으로 이어지는가를 더 중요하게 봅니다. 어떤 조건에서 어떤 성질이 나타날지 분명히 제안할수록 연구자도 결과를 더 명확하게 평가할 수 있습니다.

‘발견’이라는 말보다 먼저 볼 것

AI의 소재 연구를 읽을 때는 후보를 제안한 단계인지, 물성을 확인했는지, 소자 검증까지 마쳤는지 살펴보면 좋습니다. 오래된 물질을 새로운 메모리로 쓸 수 있다는 기대도 각 단계를 통과할 때마다 근거를 얻습니다. “AI가 차세대 메모리를 발견했다”는 제목을 만났을 때 먼저 확인할 것은 무엇을 실제로 측정했느냐입니다.