5. 재료 설계 전략

최근에는 단순한 물성 예측을 넘어, 목표 특성을 먼저 정의한 뒤 이를 만족하는 구조를 역으로 탐색하는 역설계(inverse design)와 생성형 AI 기반 설계가 빠르게 발전한다. 또한 합성 경로 예측과 공정 최적화 기술이 결합되면서, 재료의 구조와 성능뿐 아니라 실제 제조 가능성과 산업 적용성까지 동시에 고려하는 방향으로 연구가 확대되었다. 특히 강화학습과 베이즈 최적화, 디지털 트윈과 같은 기술은 실험과 제조 과정을 실시간으로 학습하고 최적화함으로써 재료 개발 속도를 크게 향상시키고 있다. 

5.1 역설계와 생성형 AI 설계

전통적인 재료 설계는 일반적으로 연구자가 특정 조성과 구조를 먼저 정의한 뒤, 실험이나 계산을 통해 그 결과로 나타나는 물성을 평가하는 방식으로 이루어졌다. 즉, 구조를 정하고 결과를 확인하는 순방향 접근이었다. 그러나 첨단 소재는 동시에 만족해야 하는 성능 조건이 매우 복잡해지면서, 기존 방식만으로 최적 재료를 효율적으로 찾는 데 한계가 나타나기 시작했다. 

이러한 문제를 해결하기 위해 등장한 개념이 바로 역설계이다. 역설계는 원하는 물성을 먼저 정의한 뒤, 그 목표를 만족할 수 있는 구조와 조성, 공정 조건을 AI가 역으로 탐색하는 접근 방식이다. 예를 들어 기존 방식에서는 새로운 배터리 전해질을 개발할 때 수많은 후보 구조를 하나씩 평가해야 했다. 반면 역설계에서는 먼저 높은 이온 전도성과 열적 안정성, 낮은 독성과 같은 목표 조건을 설정하고, AI가 이를 만족할 가능성이 높은 구조를 자동으로 탐색한다. 즉, 연구자가 모든 후보를 직접 정의하는 것이 아니라, 목표 성능을 중심으로 최적 구조를 거꾸로 설계하는 방식으로 사고의 흐름 자체가 변화한 것이다.

이러한 역설계는 머신러닝과 생성형 AI의 발전과 함께 빠르게 고도화되고 있다. 특히 생성형 설계는 기존 데이터의 패턴을 학습하여 새로운 재료 구조를 직접 생성할 수 있다는 점에서 큰 주목을 받았다. 기존 머신러닝이 주어진 데이터의 특성을 예측하는 데 중점을 두었다면, 생성형 AI는 기존 데이터에 존재하지 않았던 새로운 구조와 조성 조합까지 제안할 수 있다. 

 

또한 역설계는 단일 물성 최적화뿐 아니라 다목적 최적화 문제 해결에도 매우 중요한 역할을 한다. 현재의 재료는 높은 성능뿐 아니라 안정성과 제조 가능성, 비용 효율성, 친환경성까지 동시에 고려해야 한다. 예를 들어 차세대 배터리 소재는 높은 에너지 밀도와 긴 수명, 안전성을 동시에 만족해야 하며, 친환경 고분자는 생분해성과 기계적 강도를 함께 고려해야 한다. 생성형AI는 이러한 다중 조건을 동시에 반영하여 최적 균형점을 탐색할 수 있다는 점에서 기존 접근보다 훨씬 효율적이다.

 

최근에는 자연어 처리(NLP) 기술도 역설계 과정에 활용되고 있다. 논문과 특허에서 추출된 합성 조건과 공정 데이터를 학습함으로써, AI는 단순히 우수한 구조를 제안하는 것을 넘어 실제 제조 가능성이 높은 합성 경로까지 예측할 수 있게 되었다. 이는 재료 설계와 제조를 하나의 통합된 시스템으로 연결하려는 방향으로 발전하고 있는 것이다.

 

5.2 합성 경로 설계와 예측

 

재료과학에서 우수한 물성을 가진 구조를 발견하는 것만큼 중요한 문제는, 그 재료를 실제로 어떻게 합성하고 제조할 것인가를 결정하는 일이다. 아무리 뛰어난 성능을 가진 소재라 하더라도 현실적인 합성 경로가 존재하지 않거나 제조 과정이 지나치게 복잡하다면 산업적으로 활용되기 어렵다. 따라서 최근의 재료 설계는 단순한 물성 예측을 넘어, 실제 제조 가능성과 합성 효율성까지 동시에 고려하는 방향으로 발전하고 있다. 

 

기존의 합성 연구는 연구자의 경험과 직관에 크게 의존하는 경우가 많았다. 연구자는 논문과 실험 경험을 바탕으로 반응 조건, 촉매, 용매, 온도, 반응 시간을 설정하고 반복적인 실험을 통해 최적 조건을 탐색했다. 그러나 갈수록 조성과 반응 메커니즘이 복잡해지면서 가능한 합성 경로의 수가 급격히 증가하였다. 특히 고분자와 촉매, 배터리 소재와 같은 시스템은 작은 조건 변화만으로도 생성물의 구조와 성능이 크게 달라질 수 있기 때문에 기존 방식만으로 모든 가능성을 탐색하기에는 한계가 있었다.

 

최근 AI 기반 합성 경로 설계는 이러한 문제를 해결하기 위한 새로운 접근법이 되고 있다. 자연어 처리(NLP)는 합성 경로 예측 분야에서 매우 중요한 기술이다. 수십 년 동안 축적된 논문과 특허에는 다양한 합성 조건과 실패 사례가 기록되어 있지만, 대부분 비정형 텍스트 형태로 존재하기 때문에 체계적으로 활용하기 어려웠다. NLP는 이러한 문헌 데이터를 자동으로 분석하여 반응 조건과 촉매 정보, 생성물 특성 등을 구조화된 데이터 형태로 추출할 수 있게 해준다. 

또한 그래프 신경망(GNN)은 화학 반응 자체를 그래프 구조로 표현함으로써 더욱 정교한 반응 예측을 가능하게 하였다. 원자와 화학 결합을 그래프 형태로 표현하면 AI는 반응 과정에서 어떤 결합이 형성되거나 끊어지는지를 학습할 수 있으며, 이를 기반으로 새로운 반응 경로와 생성 가능성이 예측 가능하다. 최근에 이러한 기술이 유기합성과 촉매 반응, 고분자 중합 반응 예측 등에 적극적으로 활용되고 있다.

 

생성형 AI 역시 합성 경로 설계에 새로운 가능성을 열어주었다. 기존 방식은 주어진 반응 데이터를 기반으로 결과를 예측하는 수준이었다면, 최근 생성형 모델은 목표 성능을 만족하는 구조뿐 아니라, 이를 실제로 제조하기 위한 합성 경로까지 동시에 제안할 수 있는 방향으로 발전해 왔다. 이는 재료 설계와 합성 과정을 하나의 통합 시스템으로 연결하려는 중요한 시도라 할 수 있다.

 

AI 기반 합성 경로 예측이 자동화 실험 플랫폼과 결합되면서 자율 연구 시스템으로 발전하였다. AI가 실험 결과를 실시간으로 분석하고 다음 실험 조건을 스스로 결정하는 능동 학습 기반 접근은, 최소한의 실험만으로 최적 합성 조건을 탐색할 수 있게 만든다. 이는 기존의 반복적 실험 과정을 크게 단축시키며, 복잡한 재료 시스템에 효율성을 매우 높일 수 있다.

 

5.3 동적 공정 최적화

재료의 제조 공정은 단순한 반복 생산을 넘어 점점 수많은 변수가 실시간으로 변화하는 복잡한 동적 시스템으로 변하고 있다. 특히 배터리와 반도체, 기능성 고분자, 촉매 소재와 같은 첨단 산업에서는 미세한 공정 변화조차 최종 제품의 성능과 품질에 큰 영향을 미친다. 온도와 압력, 반응 속도, 혼합 상태, 냉각 조건 등은 시간에 따라 지속적으로 변하며 서로 복합적으로 작용하기 때문에 고정된 조건만으로 안정적인 생산을 유지하기 어렵다. 

 

기존의 공정 최적화는 주로 경험적 조건 설정과 반복 실험에 의존하는 방식이었다. 연구자와 엔지니어는 특정 공정 조건을 설정한 뒤 결과를 분석하고, 다시 조건을 수정하는 과정을 반복하면서 최적치를 찾아야 했다. 그러나 지금의 제조 공정은 수많은 변수를 가지며 시스템 자체가 비선형적으로 작동하기 때문에, 이러한 방식만으로는 전체 공정을 효율적으로 제어하기 어렵다. 특히 양산 규모 생산에서는 원료 상태와 환경 변화, 장비 편차 등이 실시간으로 영향을 미치기 때문에, 기존 방식으로는 공정 안정성과 수율 유지에 한계를 보이는 경우가 많았다.

 

AI 기반 동적 공정 최적화는 이러한 문제를 해결하기 위해 실시간 데이터 분석과 자동 제어 기술을 결합한 형태로 발전하였다. 제조 장비에 부착된 센서는 온도와 압력, 유량, 진동, 전류, 반응 상태 등의 데이터를 지속적으로 수집하며, AI는 이를 실시간으로 분석하여 공정 상태를 예측한다. 이를 통해 이상 상태를 조기에 감지하고, 최적 조건을 자동으로 조정함으로써 공정 효율과 품질을 동시에 향상시킬 수 있다. 

 

특히 강화학습(RL)은 동적 공정 최적화에서 주목받는 매우 중요한 기술이다. 강화학습은 AI가 시행착오를 통해 최적의 행동 전략을 학습하는 방식으로, 복잡한 제조 공정 환경에서 실시간 의사결정을 수행할 수 있다. 예를 들어 화학 반응 공정에서는 수율을 최대화하고 에너지 소비를 최소화하는 방향으로 반응 조건을 자동 조절할 수 있으며, 배터리 제조 공정에서는 코팅 두께와 건조 조건을 실시간으로 최적화하여 품질 편차를 줄일 수 있다. 이러한 방식은 단순한 자동화 수준을 넘어, 공정이 스스로 학습하고 적응하는 지능형 제조 시스템으로 발전하고 있음을 보여준다. 

 

또한 베이즈 최적화는 제한된 실험 횟수만으로 최적 공정 조건을 탐색하는 데 효과적으로 활용되고 있다. 기존 방식에서는 모든 조건을 반복적으로 실험해야 했지만, 베이즈 최적화는 이전 실험 결과를 기반으로 가장 가능성이 높은 다음 조건을 예측하여 실험 효율을 크게 향상시킨다. 이는 비용과 시간을 줄이면서도 높은 품질의 공정 조건을 빠르게 확보할 수 있도록 만든다. 

 

최근에는 디지털 트윈 기술이 동적 공정 최적화와 결합되면서 더욱 발전된 형태의 제조 시스템으로 등장했다. 디지털 트윈은 실제 생산 공정을 가상 환경에 동일하게 구현하고, 실시간 데이터를 기반으로 공정 상태를 시뮬레이션하는 기술이다. 이를 통해 실제 생산 라인을 멈추지 않고도 다양한 조건을 시험할 수 있으며, 잠재적인 문제를 사전에 예측하고 대응할 수 있다. 특히 대규모 화학 공정이나 반도체 제조처럼 공정 안정성이 중요한 분야에서 높은 활용 가능성을 보이고 있다.

슈퍼커패시터 분야에서도 AI 기반 설계 기술은 중요한 역할을 수행하고 있는데, 슈퍼커패시터는 빠른 충·방전 특성과 높은 출력 밀도를 가지지만 에너지 저장 용량이 낮다는 한계를 가진다. 이를 개선하기 위해 다공성 탄소 구조와 금속 산화물, 전도성 고분자 소재가 연구되고 있으며, AI는 기공 구조와 표면적, 전하 저장 특성 간의 관계를 분석하여 최적의 전극 구조를 설계하는 데 활용되고 있다.

 

최근에는 AI와 계산과학의 융합이 에너지 저장 소재 연구를 더욱 가속화하고 있다. 밀도 범함수 이론(DFT)은 전자 구조와 반응 에너지를 계산하는 데 활용되며, 머신러닝은 이러한 계산 데이터를 학습하여 훨씬 빠른 속도로 후보 소재를 예측한다. 또한 그래프 신경망(GNN)은 원자와 결합 구조를 직접 학습함으로써 복잡한 결정 구조의 특성을 보다 정밀하게 분석할 수 있게 만든다. 이는 기존 방식으로는 탐색하기 어려웠던 대규모 재료 공간을 효율적으로 분석할 수 있게 한다는 점에서 큰 의미를 가진다. 

 

에너지 저장 소재 연구에서는 단순한 성능 향상뿐 아니라 경제성과 지속가능성 역시 중요한 요소로 고려된다. 희귀 금속 의존도를 줄이고 재활용 가능성을 높이는 방향으로 연구가 확대되고 있으며, AI가 원료 공급 안정성과 제조 비용까지 함께 고려한 최적 조성을 탐색하는 데 활용되었다. 또한 배터리 수명 예측과 열폭주 위험 분석에도 머신러닝이 적용되면서 안전성과 신뢰성을 향상시키는 연구가 활발히 이루어지고 있다.

 

6.2 연료전지 및 에너지 변환 소재

 

연료전지와 에너지 변환 소재는 탄소중립과 친환경 에너지 전환 시대를 대표하는 핵심 기술이다. 특히 화석연료 중심의 에너지 시스템에서 벗어나 수소와 재생에너지를 기반으로 한 지속 가능한 에너지 구조로 전환하려는 움직임이 확대되면서, 고효율 에너지 변환 소재 개발의 중요성이 더욱 커졌다. 연료전지는 화학 에너지를 전기에너지로 직접 변환할 수 있기 때문에 높은 에너지 효율과 낮은 환경 오염 특성을 가지며, 수소 경제와 차세대 친환경 모빌리티의 핵심 기술로 평가받는다. 그러나 실제 산업 적용을 위해서는 높은 전도성과 장기 안정성, 내구성, 경제성을 동시에 만족하는 소재 개발이 필수적이며, 이러한 복잡한 문제를 해결하기 위해AI 기반 설계 기술이 적극적으로 활용되고 있다.

 

연료전지 시스템에서 가장 중요한 구성 요소 중 하나는 촉매이다. 연료전지 내부에서는 수소 산화 반응과 산소 환원 반응이 일어나는데, 이러한 반응 속도는 촉매의 활성도에 크게 의존한다. 현재는 백금(Pt) 기반 촉매가 높은 성능을 보이지만 가격이 매우 높고 자원 공급이 제한적이라는 문제가 있다. 따라서 최근에는 저비용 고효율 촉매 개발이 중요한 연구 과제로 떠올랐다. AI는 금속 조성과 표면 구조, 전자 상태 데이터를 학습하여 반응 활성도가 높은 구조를 예측할 수 있으며, 기존 실험으로는 탐색하기 어려웠던 새로운 합금 및 나노 구조 촉매를 제안하는 데 활용되고 있다. 특히 그래프 신경망(GNN)은 원자 수준의 결합 구조를 직접 분석함으로써 촉매 활성 부위를 보다 정밀하게 예측 가능하다.

 

전해질 소재 역시 연료전지 성능을 결정하는 핵심 요소이다. 고분자 전해질 연료전지(PEMFC)에는 양성자를 효율적으로 이동시키면서도 화학적 안정성을 유지할 수 있는 전해질막이 필요하다. 그러나 높은 온도와 습도 변화 환경에서 전도성과 내구성을 동시에 확보하기 어렵기 때문에, 최적 구조를 찾는 것이 매우 중요한 과제이다. AI는 고분자 구조와 이온 전도성, 수분 흡수 특성 사이의 관계를 학습하여 높은 성능을 보이는 새로운 전해질 구조를 빠르게 탐색할 수 있다. 또한 생성형AI가 기존 데이터에 존재하지 않는 새로운 분자 구조를 제안함으로써 차세대 고분자 전해질 개발 가능성을 더욱 확장한다.

 

최근에는 수전해와 탄소 전환 기술에서도 AI 활용이 빠르게 증가하였다. 수전해는 물을 분해하여 수소를 생산하는 기술로, 친환경 수소 생산의 핵심 과정이며, 높은 효율을 위해서는 안정성과 반응성이 우수한 촉매 소재가 필요하다. AI는 반응 경로와 전자 이동 메커니즘을 분석하여 수소 발생 반응(HER)과 산소 발생 반응(OER)에 적합한 촉매 구조를 예측할 수 있으며, 이를 통해 희귀 금속 사용량을 줄이면서도 높은 효율을 유지할 수 있는 소재 개발을 지원한다. 

 

또한 에너지 변환 소재 연구에서 태양광 및 열에너지 변환 소재 개발도 중요한 분야이다. 열전 소재는 열에너지를 전기에너지로 변환할 수 있으며, 폐열 회수 시스템과 차세대 에너지 장치에 활용 가능성이 높다. 여기에 AI가 전기전도도와 열전도도, 제벡 계수(Seebeck coefficient) 간의 복잡한 관계를 분석하여 높은 변환 효율을 가지는 구조를 탐색하는 데 활용되고 있다.

6.3 기체·액체 분리막 소재

 

기체·액체 분리막 소재는 에너지와 환경, 화학 산업 전반에서 매우 중요한 역할을 수행하는 기능성 소재이다. 분리막 기술은 특정 기체나 액체 성분만을 선택적으로 통과시키는 방식으로 작동하며, 기존의 증류나 흡착 공정에 비해 에너지 소비를 크게 줄일 수 있다는 장점을 가진다. 

 

특히 최근에는 탄소중립과 자원 재활용의 중요성이 커지면서, 이산화탄소 포집, 수소 정제, 해수 담수화, 산업 폐수 처리와 같은 분야에서 고성능 분리막 소재에 대한 수요가 빠르게 증가하고 있다. 그러나 높은 투과도와 선택도, 화학적 안정성, 기계적 강도를 동시에 만족하는 분리막을 설계하는 것은 매우 어려운 문제이며, 이러한 복잡한 구조–물성 관계를 해결하기 위해AI 기반한 재료 설계 기술이 적극적으로 활용되고 있다.

 

분리막 소재의 핵심은 분자의 이동 경로를 정밀하게 제어하는 것이다. 기체 분리막에서는 분자의 크기와 확산 속도, 화학적 상호작용에 따라 특정 기체만 선택적으로 통과시키는 능력이 중요하다. 예를 들어 수소 생산 공정에서는 수소만 빠르게 통과시키고 다른 기체는 차단해야 하며, 탄소 포집 시스템에서는 이산화탄소를 선택적으로 분리하는 성능이 요구된다. 그러나 일반적으로 투과도가 높아지면 선택도가 감소하고, 선택도를 높이면 투과 속도가 느려지는 trade-off 관계가 있기 때문에 최적 구조를 찾는 것이 쉽지 않다.

 

AI가 이러한 복잡한 관계를 분석하고 최적 구조를 탐색하는 데 중요한 역할을 한다. 머신러닝은 고분자 구조와 기공 크기, 자유 부피, 표면 화학 특성과 투과도 및 선택도 사이의 관계를 학습하여 성능을 예측할 수 있다. 이를 통해 수많은 후보 소재 중 높은 가능성을 가진 구조를 빠르게 선별할 수 있으며, 기존 실험 중심 접근보다 훨씬 효율적으로 신소재를 탐색할 수 있게 되었다. 특히 생성형 AI는 특정 기체 분리에 최적화된 새로운 고분자 구조와 다공성 소재를 직접 설계하는 방향으로 기여하고 있다.

 

최근에는 금속유기골격체(MOFs)와 공유결합유기골격체(COFs)와 같은 다공성 소재가 차세대 분리막 재료로 주목받고 있다. 이러한 소재는 나노 수준의 정밀한 기공 구조를 가지며, 특정 분자를 선택적으로 흡착하거나 통과시킬 수 있다는 장점을 가진다. 그러나 가능한 구조 조합 수가 매우 방대하기 때문에 모든 후보를 실험으로 검증하는 것은 사실상 불가능하다. AI는 원자 구조와 기공 특성, 흡착 에너지 데이터를 학습하여 높은 분리 효율을 가질 가능성이 높은 구조를 예측할 수 있으며, 이를 통해 소재 개발 속도를 크게 향상시키고 있다.

액체 분리 분야에서도 AI 활용이 빠르게 확대되고 있다. 해수 담수화와 수처리 공정에서는 높은 수분 투과성과 오염 저항성, 장기 안정성을 동시에 갖는 분리막이 필요하다. 특히 산업 폐수 처리에서는 화학적 안정성과 내 오염 특성이 매우 중요하다. AI가 고분자 구조와 표면 친수성, 나노 기공 분포 사이의 관계를 분석하여 물 분자 이동 특성과 오염 억제 효과를 예측할 수 있으며, 이를 통해 기존보다 효율적인 수처리용 분리막 개발이 가능하다.

6.4 친환경·생분해성 고분자

 

최근 전 세계적으로 플라스틱 폐기물과 미세플라스틱 문제가 심각한 환경 이슈로 떠오르면서 친환경·생분해성 고분자에 대한 관심이 매우 높아지고 있다. 기존 석유 기반 플라스틱은 우수한 기계적 강도와 내구성, 가공성을 가지지만 자연환경에서 쉽게 분해되지 않기 때문에 장기간 축적되며 환경 오염을 유발한다. 특히 해양 생태계와 토양 오염 문제는 인간의 건강과 생태계 전반에 영향을 미치고 있으며, 이에 따라 지속 가능한 고분자 소재 개발이 중요한 사회적 과제로 부각되었다. 이러한 흐름 속에서 AI가 생분해성과 물성, 제조 가능성을 동시에 만족하는 차세대 친환경 고분자 설계를 가속화하는 데 활용되고 있다.

 

생분해성 고분자는 미생물이나 자연환경 조건에서 분해될 수 있는 구조를 가지며 대표적으로PLA, PHA, PBS와 같은 소재들이 널리 연구되었다. 그러나 기존 생분해성 고분자는 일반 플라스틱에 비해 기계적 강도와 내열성, 장기 안정성이 부족한 경우가 많아 실제 산업 적용에는 한계가 있다. 예를 들어 포장재나 자동차 부품, 전자 소재 분야에서는 일정 수준 이상의 내구성과 가공성이 필수적으로 요구되기 때문에, 단순히 생분해성만으로는 산업적 활용이 어렵다. 따라서 최근 연구는 환경친화성과 기능적 성능을 동시에 만족할 수 있는 새로운 고분자 구조를 설계하는 방향으로 이루어지고 있다.

 

AI가 이러한 복잡한 구조–물성 관계를 분석하는 데 매우 효과적인 도구로서 활용된다. 고분자의 특성은 단량체 구조와 분자량, 사슬 배열, 결정화도, 가교 구조 등에 의해 결정되며, 이러한 요소들은 서로 복합적으로 작용한다. 머신러닝은 방대한 실험 데이터를 학습하여 특정 구조가 기계적 강도와 유연성, 열적 안정성, 생분해성에 어떤 영향을 미치는지 예측이 가능하다. 이를 통해 기존 방식보다 훨씬 빠른 속도로 유망한 고분자 구조를 탐색할 수 있게 되었다.

특히 생성형 AI가 친환경 고분자 설계 분야에 새로운 가능성을 열어주었다. 기존에는 연구자가 가능한 조성을 직접 설정한 뒤 실험을 반복해야 했지만, 생성형 AI는 목표 성능을 먼저 정의한 후 이를 만족하는 새로운 분자 구조를 스스로 생성할 수 있다. 예를 들어 높은 생분해성과 동시에 우수한 기계적 강도를 가지는 고분자 구조를 제안하거나, 재활용성과 내열성을 동시에 만족하는 새로운 공중합체 구조를 설계하는 연구가 활발히 이루어지고 있다. 이는 기존 데이터에 없었던 새로운 소재 조합을 발견할 가능성을 크게 높였다.

 

최근에는 바이오 기반 원료를 활용한 지속 가능 고분자 개발도 중요한 연구 분야로 주목받는다. 기존 플라스틱 산업은 석유 자원에 크게 의존해 왔지만, 탄소중립 시대에는 식물 유래 바이오매스와 재생 가능한 원료를 기반으로 한 고분자 설계가 중요하다. AI가 원료 구조와 반응 특성, 최종 물성 사이의 관계를 분석하여 바이오 기반 소재의 성능을 최적화하는 데 활용되고 있다. 또한 합성 공정 조건과 에너지 소비까지 함께 고려함으로써, 단순히 친환경성을 넘어 실제 산업적 생산 가능성까지 반영한 설계가 가능해진 것이다.

 

자연어 처리(NLP) 기술 역시 친환경 고분자 연구에 중요한 역할을 담당한다. 수많은 논문과 특허에는 다양한 고분자 합성 조건과 첨가제, 분해 특성 데이터가 축적되어 있지만, 대부분 비정형 텍스트 형태로 존재하기 때문에 체계적 활용이 어려웠다. NLP는 이러한 문헌 데이터를 자동으로 분석하고 구조화함으로써, AI 기반 고분자 설계에 필요한 대규모 데이터 구축을 가능하게 만들었다.

 

또한 최근에는 생분해성뿐 아니라 재활용 가능성까지 함께 고려하는 순환형 고분자 설계 개념이 등장했다. 이는 사용 후 화학적으로 다시 분해하여 원료로 재사용할 수 있는 구조를 설계하는 방식으로, 지속 가능한 소재 산업 구축을 위한 중요한 방향으로 평가받고 있다.