AIMI(AI for Materials Innovation)

개요

신소재 하나가 발견에서 상용화에 이르기까지 평균 18년이 소요됩니다. 시도의 99%는 실패로 끝나고, 조성 한 건을 검증하는 데만 48시간 이상이 필요합니다. 더 많이 실험하는 것으로는 이 벽을 넘을 수 없습니다. 저희가 본 원인은 실험을 덜 해서가 아니라, 이미 있는 실험 데이터를 활용하지 못하는 데 있었습니다.

소재 R&D 데이터의 80%는 실험노트와 스캔 PDF, SEM 이미지, 실패 기록처럼 AI가 읽을 수 없는 비정형 상태로 흩어져 있습니다. 실패 원인과 실험 과정의 노하우도 조직의 데이터로 남지 못해, 담당자가 변경되면 지식이 단절되고 동일한 실험이 반복됩니다. 이처럼 기업의 중요한 자산인 공정·배합·실패 데이터가 정작 활용되지 못한 채 잠겨 있습니다. AIMI(AI for Materials Innovation)는 이 문제를 푸는 일에서 출발했습니다.

AIMI는 소재 데이터 정제, 데이터 표준화, 맞춤형 Vertical AI의 세 축으로 구성됩니다. 먼저 소재 특화 Material OCR이 화학식·수식·첨자와 복잡한 실험표를 인식하고 구조화합니다. 화학식 인식 정확도는 99.0%이며, 끊어진 실험 이력의 계보도 복원합니다. 다음으로 24개 엔티티와 7개 도메인으로 구성된 소재 데이터 표준 스키마로 실험 데이터를 변환합니다. 기업마다 형식이 달랐던 실험 기록이 일관된 구조로 연결됩니다. 이 스키마는 ISO 및 국가 소재 DB 표준과 연계하고 있습니다. 마지막으로 소재 설계·역설계, 제조공정·품질, 분석·계측 자동화, 실험 지식 자산화의 네 유형에 대응하는 AI 카탈로그 11종을 제공합니다. 고객은 필요한 모듈을 선택해 자사 데이터로 파인튜닝할 수 있습니다. 매번 새로 구축하는 대신 축적된 모듈을 적용할 수 있도록 설계했습니다.

AIMI의 접근은 세 가지 점에서 다릅니다. 첫째, 실측 데이터를 바탕에 둡니다. 공개 데이터베이스와 시뮬레이션 결과를 중심으로 학습하는 방식과는 다릅니다. 기업 내부에 축적된 실험 기록을 데이터 자산으로 전환해 모델의 학습 기반으로 활용하고, 그 위에서 가상 실험을 수행합니다. 소재 설계·역설계 실증에서는 목표 물성 달성에 필요한 실험 시료를 375개에서 200개로 46.7% 줄였습니다. 동시에 역설계 적중률 92.3%를 기록해 목표치 70%를 넘어섰습니다. 제조공정·품질 실증에서는 전수 대비 17.5%의 검사만으로 전체 불량의 80%를 포착했습니다.

둘째, 상관관계가 아니라 인과관계를 설명합니다. 조성·공정·물성을 지식그래프로 연결해 소재의 실패 원인을 밝힙니다. 불량 원인 규명 시간은 기존 3주에서 3일 이내로 줄었습니다. 실험 지식 자산화 실증에서는 실패 원인 식별률이 56%에서 83%로 올랐습니다. 분석·계측 자동화 실증에서는 검출 재현율이 0.30에서 0.54로 개선됐습니다. 물성 예측 정확도는 R² 0.78~0.93 범위입니다.

셋째, 고객의 데이터는 고객에게 남습니다. 전용 모델과 DB는 고객 소유로 격리됩니다. 저희에게 축적되는 것은 데이터가 아니라 방법론입니다. 고객사도 소재도 매번 다르지만 투입되는 것은 동일한 AI 카탈로그와 데이터 표준입니다. 이에 따라 첨단소재·디스플레이·전자부품에서 검증한 방법론을 반도체·바이오·특수합금 영역으로 확대하고 있습니다.

데이터가 잠겨 있는 문제는 개별 기업만의 것이 아닙니다. 한 사람의 머릿속에만 남은 노하우가 그 사람과 함께 사라지는 구조가 소재 산업 전반에서 반복되고 있습니다. 새로운 데이터를 만들기 전에, 이미 만들어진 데이터를 쓸 수 있게 하는 일이 먼저입니다. AIMI는 흩어진 실험 데이터를 AI가 활용할 수 있는 자산으로 전환하고, 이를 바탕으로 소재 개발의 시행착오를 줄여 개발을 가속화합니다. 경험과 직관에 기대던 소재 개발이 데이터와 AI 위에서 이뤄지도록 바꾸는 것, AIMI가 만들려는 산업혁신은 여기에 있습니다.