▲ 멀티모달 문헌 마이닝으로 구축한 데이터와 물리 지식을 학습한 머신러닝 모델이 방대한 무연 유전체 조성 공간을 탐색하고, 후보 소재를 실험으로 검증하는 과정을 형상화한 이미지(출처:서울공대)

국내 연구진이 논문 수백 편에 흩어져 있던 데이터를 인공지능(AI)으로 자율적으로 분석해 고온에서도 성능이 안정적인 새로운 무연 유전체를 찾아내 차세대 적층세라믹콘덴서(MLCC), 전기차 전자부품용 소재 개발에 활용이 기대되고 있다.

서울대 공과대학은 재료공학부 장호원 교수 연구팀이 논문 속 데이터와 물리 기반 머신러닝을 결합해 무연 유전체를 설계하는 기술을 개발했다고 18일 밝혔다. 이번 연구는 송관우 석박사통합과정생이 제1저자로 연구 전반을 주도했으며, 김영민 석박사통합과정생과 김재현 박사후연구원이 공동 연구에 참여했다.

유전체는 전기가 바로 흐르지 않도록 막으면서 전하를 저장하는 절연 소재로, 스마트폰과 전기차 등에 사용되는 MLCC의 핵심 재료다. 유전율이 높을수록 같은 크기의 부품으로 더 많은 전기를 저장할 수 있으며, 높은 온도에서도 성능이 안정적으로 유지돼야 실제 전자기기에 적용할 수 있다.

특히 온도에 따른 전기적 반응이 비교적 완만하게 변하는 완화형 강유전체(relaxor)는 높은 유전율과 넓은 온도 범위의 안정성을 함께 구현할 가능성이 있다. 하지만 납을 사용하지 않는 조성만 놓고도 원소의 종류와 혼합비에 따라 후보가 사실상 무한대에 가까워 시행착오 방식으로는 탐색에 많은 시간과 비용이 필요하며 관련 데이터는 온도·주파수·시료 등 측정 조건도 달라 머신러닝 학습에 바로 활용하기 어렵다.

이에 연구팀은 논문 본문·표·그래프에 분산된 정보를 자동으로 추출하는 ‘멀티모달 문헌 마이닝’과 실제 존재 가능한 소재만 선별하는 물리 기반 머신러닝을 결합해, 목표 성능을 만족할 가능성이 높은 조성을 먼저 찾아내는 역설계 기술을 구현했다. 이를 통해 448편의 논문에서 1,202건의 유전 특성 데이터를 구축한 뒤 약 1억5천만 개의 가상 조성 공간을 탐색해 37개 후보를 선별했고, 이 가운데 두 조성을 실제 합성해 높은 유전율과 우수한 고온 안정성을 확인했다.

실험 결과 주석(Sn)을 1 mol%와 2 mol% 치환한 두 시료는 상온에서 각각 3,422와 3,307의 높은 유전율을 나타냈다. 현재 MLCC에 널리 사용되는 티탄산바륨(BaTiO₃)과 비교했을 때 더 넓은 온도 범위에서 높은 유전율을 안정적으로 유지하는 것으로 확인됐다. 두 시료는 MLCC 국제 규격(X5R·X6R·X7R)의 고온 안정성 기준을 모두 만족했으며, 같은 계열의 기존 문헌 데이터와 비교해도 가장 높은 수준의 유전율을 기록했다.

연구팀은 머신러닝의 판단 근거와 압전반응힘 현미경, 라만분광법, 원자분해능 전자현미경 분석 결과를 종합했다. 그 결과 소량의 Sn 첨가가 결정 골격을 넓히고 원자 규모의 전기적 불균일성을 증가시켜 온도 안정성을 높인다는 작동 원리를 규명했다.

이번 연구는 논문 곳곳에 흩어진 데이터를 AI로 통합·분석해 새로운 소재를 설계하는 연구 방법을 실증했다는 점에서 의미가 있다. 연구팀은 이 방법이 기능성 산화물과 박막처럼 데이터가 여러 문헌에 분산된 다양한 소재 개발에도 활용될 수 있을 것으로 보고 있다. 이번에 검증한 무연 유전체는 고온용 MLCC를 비롯해 전기차, 전력전자, 항공우주용 전자부품 개발에 활용될 것으로 기대된다.

장호원 교수는 “이번 연구는 머신러닝으로 성능을 예측하는 데 그치지 않고, 여러 논문에 흩어진 정보를 학습 데이터로 통합한 뒤 물리 법칙과 모델 간 예측의 일관성을 함께 따져 실제 합성 후보까지 좁혔다는 점에서 의미가 있다”며 “데이터가 여러 논문과 형식에 흩어져 있어 체계적인 통합이 필요한 다른 기능성 산화물과 박막 소재의 후보 탐색에도 확장되기를 기대한다”고 말했다.

한편 이번 연구 결과는 세계적 권위의 국제학술지 ‘Nature Communications’에 게재됐다.