2026년판 AI·데이터 구동형 재료개발(MI)의 시장과 기술동향(일본어판)

세계 AI·데이터 기반 소재 개발(MI) 시장의 개발 동향과 향후 전망을 포괄한 시장조사 자료.

2030년 전 세계 AI·데이터 기반 소재 개발 전체 시장규모는 7조 2천억 엔에서 2050년에는 74조 5천억 엔 규모까지 확대될 것으로 예측하고 있습니다.

재료 과학이 조용히, 그러나 근본적으로 변하기 시작하고 있다. 신소재 개발은 과거에 연구자의 경험과 방대한 시행착오에 맡겨져 왔다. 유망한 후보를 하나 찾는 데만 해도 수년, 실용화까지 수십 년이 걸리는 경우도 드물지 않다. 하지만 지금은 AI와 머신러닝 도입이 그 시간축을 급격히 압축하고 있다. 촉매·이차 전지·반도체와 같은 분야에서는 AI를 활용한 소재 스크리닝이 이미 실용 단계에 들어섰으며, 개발 주기가 경우에 따라 수개월 단위로 단축되고 있다.

이러한 흐름을 체계적으로 해석하는 것을 목표로, 머신러닝을 통한 탐색 가속부터 자율적인 연구개발 프로세스, 에너지 소재에 대한 적용, 양자 AI를 통한 미지 물성 해명, 설명 가능한 AI의 과제, 그리고 지능형 소재가 열어갈 미래상까지 차례대로 분석하고 있다.

 

◆조사개요

조사목적: AI·데이터 기반 소재 개발(MI) 시장의 연구개발을 진행 중인 기업 및 연구기관의 현재 동향과 향후 사업 정책을 조사함으로써 AI·데이터 기반 소재 개발(MI) 시장의 현황과 향후 흐름을 파악하는 것을 목표로 한다.

조사대상:

◆대상 구분

〇 머신러닝을 활용한 나노 재료 탐색

〇 자율적으로 진화하는 지능형 소재 기술

〇 에너지 소재 분야에 AI 적용

〇 양자 AI와 물성 연구

〇 재료 설계에 있어서 AI 도입 현황

◆대상 시장

화학, 반도체, 전지, 제약 등 재료 개발을 핵심으로 하는 주요 산업과 기업을 대상으로, 재료 개발 프로세스에 적용되는 AI·데이터 분석 시스템 시장(MI 포함)에서의 R&D 동향과 투자 규모

조사방법: 당사 전문 조사원이 직접 면담 취재

조사·분석기간: 2026년 1월 1일 ~ 2026년 6월 30일

※월간지 ‘Yano E plus’(2026년 4월호~10월호)을 기반으로 편집했으며, 시장 수치 등도 발췌

게재내용 문의처: 주식회사 야노경제연구소 인더스트리얼 테크놀로지 유닛

 

◆자료 포인트

AI는 소재 탐색을 효율화하는 도구에 그치지 않고, 소재 자체의 개념을 바꾸려 하고 있어, 일본 주요 기업과 연구기관의 개발 동향 조사

 

<이런 분들에게 추천>

· AI를 활용한 소재 개발 시장 동향 및 개발 움직임을 바탕으로 정책을 수립하고 싶다

· 타깃 설정 및 차별화 전략 검토에 데이터를 활용하고 싶다

· 신제품 개발이나 진입을 위해 경쟁사의 개발 현황과 향후 동향을 알고 싶다

 

<FAQ>

Q: AI·데이터 기반 소재 개발(MI) 시장에 대해 어떤 예측이 실려 있는가.

A: 2030년부터 2050년까지 일본·전 세계 시장규모 예측을 제공하고 있습니다.

 

Q: AI·데이터 기반 소재 개발(MI) 시장에 대해 어떤 정성 정보가 게재되어 있는가.

A: 제품 개발 및 전개를 담당하고 있는 주요 기업들의 동향을 게재하고 있습니다.

 

Q: AI·데이터 기반 소재 개발(MI) 시장에는 어떤 분야가 포함되어 있는가?

A: 기계 학습을 통한 나노 소재 탐색, 자율적으로 진화하는 지능형 소재 기술, 에너지 소재 분야에 대한 AI 적용, 양자 AI와 물성 연구, AI 소재 설계 및 설명 가능성을 다루고 있습니다.

 

Q: 일본 일본 시장에 대한 언급이 있는가?

A: 2030년부터 2050년까지 일본 일본 분야별 시장규모 예측을 제공하고 있습니다.

 

<각 장에서 해결할 수 있는 과제>

‘제1장 총론’에서는 AI·데이터 기반 소재 개발(MI) 시장의 현황 동향과 2050년까지의 향후 전망, 그리고 앞으로의 과제를 파악할 수 있습니다.

 

‘제2장 재료 개발에서 AI 활용 현황’에서는 각 분야별(기계학습을 통한 나노재료 탐색, 자율적으로 진화하는 지능형 소재 기술, 에너지 재료 분야에 대한 AI 적용, 양자 AI와 물성 연구, AI 재료 설계) 개발 동향과 일본·세계 카테고리별 시장규모를 확인할 수 있습니다.

 

‘제3장 주요 기업의 개발 동향’에서는 주요 기업의 추진 상황, 개발, 향후 동향을 전개하여 경쟁 상황을 파악할 수 있습니다.

 

◆리서치 내용

 

제1장 총론

 

AI와 데이터 기반 방법론 도입으로 재료 과학에 ‘지성’ 개념이 스며들고

이는 새로운 설계론의 씨앗이라고 할 수 있다

 

1. 재료 과학을 바꾸는 AI의 현재 위치

　　AI는 이제 연구자를 보조하는 역할을 넘어,

　　새로운 설계 지침 자체를 제시하는 존재로

2. AI·데이터 기반 소재 개발 전체 시장규모와 동향

　　앞으로 AI와 재료 과학의 융합은 더욱 가속화될 것이며,

　　2030년, 세계 AI·데이터 기반 소재 개발 시장규모가 7조 2천억 엔으로

　　　　【그림·표· AI·데이터 기반 재료 개발 전체의 일본 및 WW 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【그림·표· AI·데이터 기반 재료 개발 전체 분야별 일본 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【그림·표· AI·데이터 기반 재료 개발 전체 분야별 WW 시장규모 예측

　　　　(금액: 2030~2050년 예측)

3. 재료의 미래상

　　정보과학·구조공학·인지과학의 융합으로 ‘지성을 가진 물질’ 구상이 진행 중

　　재료 시장은 데이터와 AI의 통찰을 통해,

　　체계적이고 정교하게 디자인되는 ‘지식 기반형’ 세계로 승화 중

 

제2장 재료 개발에서 AI 활용 현황

 

1. 머신러닝을 통한 나노재료 탐색 고도화

　　나노 입자와 2차원 물질 등의 재료 설계·제조에 있어서,

　　설계·탐색 속도를 크게 높이고 있는 머신러닝 활용의 최전선

　　1-1. 방대한 후보 공간에 도전하는 재료 탐색의 장벽

　　　　머신러닝의 데이터 기반 방법은 탐색 공간의 장벽을 뚫고,

　　　　미지의 재료를 효율적으로 발견하는 새로운 접근법을 제공

　　1-2. 머신러닝이 열어가는 새로운 탐색 방법

　　1-3. 가속하는 발견 사이클과 연구 현장의 변화

　　1-4. 기계학습을 통한 나노재료 탐색의 시장규모와 동향

　　　　2050년, 기계 학습을 통한 나노재료 탐색의 세계 시장규모가 7조 5천억 엔 규모로

　　　　현재는 나노 스케일 현상을 정확히 반영할 데이터가 부족한 상황 심각

　　　　【도표·표. 기계학습을 이용한 나노재료 탐색의 일본 및 WW 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　도표. 일본 기계학습을 이용한 나노재료 탐색 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도표. WW 기계학습을 이용한 나노재료 탐색 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

2. 자율적으로 진화하는 지능형 소재 기술

　　자기 복구와 환경 적응을 가능하게 하는 ‘지적 소재’ 연구가 진전되고,

　　조류와 AI 설계의 융합을 통해 자율적으로 진화하는 물질상을 그린다

　　2-1. 환경과 대화하는 재료의 시대

　　　　최근에는 환경과의 상호작용을 통해 자율적으로 특성을 변화시키는

　　　　‘지적 소재’에 대한 관심이 급속히 높아지고 있다

　　2-2. 지적 소재가 그리는 미래의 응용 영역

　　2-3. 자율적으로 진화하는 지능형 소재 기술의 시장규모와 동향

　　　　2030년, 세계 지식 소재 기술 시장규모는 3조 엔 초과

　　　　앞으로 재료는 ‘정적인 물질’에서 ‘자율적으로 행동하는 존재’로 진화할 것이며

　　　　【도표. 자율적으로 진화하는 지적 소재 기술의 일본 및 WW 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도표. 일본 자율적으로 진화하는 지적 소재 기술의 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도표. WW 자율 진화하는 지능형 소재 기술의 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

3. 에너지 소재 분야에 AI 적용

　　탈탄소 사회를 지탱하는 촉매와 배터리 소재 설계에,

　　AI를 활용한 원자·분자 수준의 계면 예측 및 구조 제어

　　3-1. 에너지 과제와 재료 개발의 한계

　　3-2. AI가 도전하는 고효율 에너지 소재 설계

　　　　AI는 단순히 후보 자료를 효율적으로 선별하는 보조 도구에 그치지 않고,

　　　　재료 탐색 자체의 접근 방식을 근본부터 바꾼다

　　　　3-2-1. 촉매 분야

　　　　3-2-2. 배터리 분야

　　　　3-2-3. 수소 에너지 분야

　　　　3-2-4. 태양전지·광전 변환 재료

　　　　3-2-5. 열전 재료·축열 재료

　　　　3-2-6. CO₂ 포집·이용·저장

　　　　3-2-7. 부식·내구 설계

　　3-3. 사회 구현을 위한 돌파구의 씨앗

　　3-4. 에너지 소재 분야에 AI 적용 시장규모와 동향

　　　　【도/표. 에너지 소재 분야에 AI 적용에 대한 일본 및 WW 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도/표. 일본 에너지 소재 분야에 AI를 적용한 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도/표. WW 에너지 소재 분야에 AI를 적용한 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　AI 모델의 해석성과 신뢰성, 그리고 합성·스케일업 제약이 과제

　　　　AI 예측 모델의 해석성이 향상됨에 따라 연구자는 설계 프로세스의 근거 이해

4. 양자 AI를 통한 미지 물성 접근 현황

　　고전 계산의 한계라는 장벽을 깨는 전자 구조와 상전이 분석이

　　비약적으로 진전. 분자·고체 신소재 설계에도 적용 범위 확대

　　4-1. 양자와 AI의 교차점에 펼쳐지는 새로운 지평

　　4-2. 양자 AI에 의한 물성 이해의 심화

　　　　기존에 간과되던 새로운 양자상과 임계 현상의 메커니즘이,

　　　　전례 없는 해상도로 밝혀진다

　　　　4-2-1. 전자 구조의 고정밀 분석: 상관의 장벽을 뛰어넘는다

　　　　4-2-2. 상전이 현상의 이해: 보이지 않는 요동의 시각화

　　　　4-2-3. 시뮬레이션과 실험의 다리 역할: 현실과의 격차를 메운다

　　4-3. 기초 연구에서 산업 응용으로의 영향

　　　　4-3-1. 신소재 설계: 에디슨식 접근법에서 탈피

　　　　4-3-2. 제약·화학산업: 동적 프로세스 완전 장악

　　　　4-3-3. 정보통신·양자 디바이스: 양자로 양자를 창조하는 시대를 향해

　　　　4-3-4. 양자 AI를 이용한 예측형 재료 과학의 완성

　　4-4. 양자 AI와 물성 연구에 관한 시장규모와 동향

　　　　양자 비트 수의 한계와 오차율 문제 때문에,

　　　　대규모이면서 고정밀인 물성 시뮬레이션은 현 기술로는 어려움

　　　　【도/표. 양자 AI와 물성 연구에 관한 일본 및 WW 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도/표. 일본 양자 AI와 물성 연구에 관한 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도/표. WW 양자 AI와 물성 연구에 관한 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

5. 재료 설계에서 AI 도입 현황

　　블랙박스로 여겨져 온 AI에 ‘설명 가능성’이 도입됨으로써,

　　재료 설계의 신뢰성을 높이면서 새로운 발견으로 이어질 수 있을까

　　5-1. AI의 블랙박스 문제와 소재 과학의 위험

　　　　투명성과 해석성을 갖춘 ‘설명 가능한 AI’ 도입이

　　　　세계 연구 최전선에서 가장 중요한 주제 중 하나로

　　5-2. ‘설명 가능한’ AI가 가져오는 신뢰성 확보

　　5-3. 투명성과 창의성을 동시에 갖춘 차세대 설계

　　5-4. AI 소재 설계와 설명 가능성에 관한 시장규모와 동향

　　　　XAI 덕분에 젊은 연구자와 타 분야 연구자들이 고도화된 재료설계 프로세스를 보다 쉽게 이해할 수 있게 된다

　　　　【도/표. AI 소재 설계와 설명 가능성에 대한 일본 및 WW 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도/표. 일본 AI 소재 설계와 설명 가능성에 관한 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

　　　　【도/표. WW AI 재료 설계와 설명 가능성에 관한 분야별 시장규모 예측

　　　　(금액: 2030~2050년 예측)

 

제3장 주요 기업의 개발 동향

 

주식회사 Quemix

　　'확률적 허시간 전개법(PITE®)'을 개발·특허를 취득하고,

　　일본에서 FTQC 알고리즘 연구 리드

　　(1) NISQ에서 FTQC로

　　(2) HPC‑QC 하이브리드 계산

　　(3) 적용 사례

　　【그림. 고전-양자 하이브리드 컴퓨터를 이용한 양자화학 계산 개념도】

　　【그림. 이번 성과를 적용할 수 있을 것 같은 CAE 계산 예시】

　　【그림. 양자 컴퓨터를 이용한 GT 기술을 활용한 영상 처리 문제 적용 시뮬레이션】

　　(4) 양자 컴퓨터 국제회의 ‘Q2B 2026 Tokyo’ 개최 확정

 

학교법인 게이오대학(양자 컴퓨터)

　　양자 계산 기술과 기존 슈퍼컴퓨터 등 고성능 계산 기반을 융합하여,

　　에너지 소비를 억제하면서 높은 연산 성능을 구현하는 지속 가능한 AI의 창출

　　(1) 양자 컴퓨팅 기술의 성능을 끌어내는 알고리즘 개발

　　(2) 양자 컴퓨팅 기술과 머신러닝의 융합을 통한 블랙박스 최적화

　　【그림. FMQA에 의한 메타머티리얼 설계 사례】

 

학교법인 다이이치얏카대학

　　물질의 성질과 반응성을 근본적으로 결정짓는 ‘전자 상태’ 자체에 주목하고,

　　정보과학의 방법을 융합함으로써 물질 탐색과 설계에 전혀 새로운 길을 제시한다

　　(1) “전자 상태 인포매틱스”란 무엇인가

　　(2) 기존 접근법의 한계를 넘어

　　(3) 신약·재료 탐색에의 적용

　　【그림. 전자 상태 계산에 의한 재료 기능 분석(좌)에서 전자 상태 인포매틱스에 의한 재료 탐색(우)으로】

　　(4) 인간과 AI가 대화하는 미래의 물질 개발

　　(5) 연구 전망

 

NTT 주식회사

　　반도체 물성 지식을 BO에 통합한 새로운 방법론 ‘PI-BO(Physics‑Informed BO)’를 개발

　　(1) 배경과 과제: 광통신을 뒷받침하는 보이지 않는 소재 개발에 직면한 장벽

　　(2) 기존 접근법: 물리적 제약이 없는 베이지안 최적화의 한계

　　(3) NTT의 혁신: 물리 지식을 접목한 베이즈 최적화(PI-BO)

　　【그림. 화합물 반도체 박막의 증착 조건을 자동으로 제안하기 위한 흐름】

　　(4) 실증 결과와 효과: 단 6점의 데이터만으로 한 번에 정답을 도출한다

　　【그림. 기존 BO(a)와 PI-BO(b)의 예측 비교】

　　(5) 전망과 사회적 의의: 시행착오의 시대에서 소재 개발 DX의 미래상으로

　　(6) 정리: 물리를 이해하는 AI가 개척하는 새로운 소재 탐색의 표준

 

국립대학법인 도쿄대학(나노물질 설계)

　　데이터 과학을 적극적으로 도입하고,

　　물질 탐색 및 기능 예측을 가속화하는 연구 기반 구축을 추진한다

　　(1) 제4의 패러다임으로서의 머티리얼즈 인포매틱스

　　【그림. 예측 모델을 구축하고 데이터로부터 목적 물성·물질·구조에 도달한다

　　일반적인 순서 문제에 관한 MI 방법론의 개념

　　(2) 기계학습과 첫 원리 계산을 융합한 새로운 방법[1]

　　(3) 데이터 기반 층간 화합물 탐색[2]

　　【그림. 층간 화합물과 전지 재료에의 적용】

　　【그림. 데이터 기반 모델로 층간 화합물을 탐색한 결과 얻은 HSAB 법칙에 의한 선형 회귀 모델】

　　(4) 생성 AI를 활용한 ‘역설계’ 적용[3, 4]

　　【그림. LLM을 활용한 해석 가능한 에이전트형 AI: MatAgent 개념도】

　　(5) 향후 전망

 

학교법인 도쿄이과대학(전자물성재료)

　　재료공학과 정보과학(AI)을 디자인 사고로 통합해 인류가 아직 도전하지 않은 재료 창출에 도전한다

　　(1) 연구 컨셉: 확장형 자유 에너지에 의한 구조‑메커니즘‑기능의 연결 [1]

　　【그림. 확장형 자유 에너지에 의한 구조‑메커니즘‑기능 연결】

　　(2) 응용 사례

　　【그림. 확장형 자유 에너지 모델 설계: 정보 공간에서 그린

　　에너지 지형(왼쪽)과 자화 곡선(오른쪽)의 비교

　　【그림. 확장형 자유 에너지 지형(좌)과 에너지 손실 요인(우)의 시각화】

　　【그림. 전체 에너지를 구조 특징량 PC1로 미분한 에너지 구배 분석 결과】

　　(3) 정리 – 측정 인포매틱스의 미래상

 

국립대학법인 도호쿠대학

　　AI를 활용한 머신러닝을 활용하여,

　　실험 데이터와 이론 계산 데이터를 통합한 새로운 “재료 맵”을 구축

　　(1) 개발 현장의 딜레마를 해소하는 ‘데이터 융합’

　　(2) AI가 그리는 특성 및 구조를 동시에 시각화한 ‘재료 지도’

　　【그림. 재료 구조의 그래프 표현과 딥러닝을 결합해 재료 맵을 만드는 과정】

　　【그림. 얻은 재료 지도와 해당 재료의 구조】

　　(3) 생성 AI와 연계해 소재 개발의 ‘설계’부터 ‘제조’까지를 가속화한다

 

국립연구개발법인 물질·재료연구기관(NIMS)(재료 설계)

　　머티리얼즈 인포매틱스(MI)를 활용해 재료 개발의 자율화를 목표로 한다

　　(1) 조합 폭발을 AI가 돌파한다

　　【그림. 일반적인 재료 탐색 사이클(왼쪽)과 자율 재료 탐색 AI(오른쪽)의 비교】

　　(2) 초고차화 합금의 발견 및 합성

　　(3) AI를 ‘연구자의 나침반’으로 활용

 

국립대학법인 오사카대학(화학물질)

　　스캔 프로파일 로브 현미경을 활용해 단일 분자 수준에서의 분자 인식 반응 및 전자 이동 반응을 연구

　　(1) 분자 네트워크를 이용한 새로운 정보 처리 시스템

　　(2) 전도성 고분자에서 신경형 기능의 발현

　　(3) 실증 사례: 한 방울의 분자로 음성 인식을 구현

　　【그림. 전도성 고분자 네트워크를 이용한 음성 인식 시스템 개념도】

　　(4) 국제 협력 및 ‘재료 지능’ 연구의 전개

 

국립대학법인 규슈공업대학

　　‘환경 조화’를 콘셉트로, 이산화탄소와 폐황의 활용,

　　식물 유래 원료 등 구하기 쉬우면서 풍부한 자원을 원료로 하는 고분자 재료 개발

　　(1) 폴리디아오우레탄(PDTU)

　　(2) PDTU의 특징

　　【그림. PDTU가 자체 복구하는 모식도】

　　【그림. PDTU 재활용 프로세스 개념도】

　　(3) 적용 범위: 보호 필름부터 광학 접착제까지

　　【그림. PDTU의 광학 접착제로서의 전개】

　　(4) 정리 및 전망: 지속 가능한 사회를 지탱하는 소재로

 

국립대학법인 도쿄과학대학

　　의료에 기여할 수 있는 고분자 재료를 창조함과 동시에,

　　기능성 바이오머티리얼 설계 지침 구축을 목표로 한다

　　(1) 왜 덴드리머에 주목하는가

　　【그림. 덴드리머의 전형적인 구조】

　　(2) 덴드리머를 이용한 DDS

　　【그림. DDS를 위한 약물 운반체 크기 비교】

　　(3) 덴드리머를 통한 림프절·T세포 내 전달

　　【그림. 카르복시 말단 Phe 변형 덴드리머의 림프절·T세포로의 이동 행동】

　　(4) 폴리에틸렌글리콜(PEG)의 면역 반응 극복과 수화 상태·생체 적합성 간의 상관관계

　　【그림. 규슈대학 타나카 켄 교수의 ‘중간수 이론’을 DDS 재료 설계에 활용】

 

국립대학법인 도쿄대학(생산기술)

　　고분자 과학을 통한 지속 가능한 순환형 사회 구현을 재료 과학의 관점에서 강력히 추진

　　(1) 동적 결합으로 구현하는 자체 복구: 설계 사상과 제어 파라미터

　　【그림. 동적 결합을 이용한 고분자 재료의 기능화】

　　(2) 자기 복구 발현의 구체적인 방법

　　【그림. 폴리에스터 재료의 가열 복구 후 응력‑변형 곡선】

　　【그림. 바이오베이스 복구 재료의 개념도】

　　【그림. 비시날디올 함유 폴리부타디엔】

　　(3) 응용 전개와 산업계에 미치는 영향

　　(4) 정리: 순환형 사회를 지탱하는 소재 플랫폼으로

 

국립연구개발법인 물질·재료연구기관(NIMS)(뉴로몰피크 디바이스)

　　‘단 몇 개의 유기 분자’만으로 구성된 세계 최소 규모의 디바이스를 이용한 혈당 예측

　　계산 부하를 100분의 1로 낮추는 AI 디바이스 연구

　　(1) 연구Ⅰ: 사고하는 분자 ~ 몇 개의 유기 분자만으로 구현하는 AI>

　　【그림. 소수의 유기 분자의 분자 진동을 이용한 물리 리저버 컴퓨팅 개념도】

　　(2) 연구Ⅱ: 이온 겔과 그래핀의 초광대역 AI 디바이스

　　【그림. 이온형 물리 리저버(좌측),

　　그리고 전형적인 벤치마크 시험에서 달성한 계산 부하 감소(오른쪽)】

　　(3) 두 연구의 통합적 의의와 적용 전망

　　(4) 결론

 

학교법인 도쿄이과대학(응용화학)

　　실용화된 LIB와 캐패시터의 고성능화,

　　또한 SIB와 칼륨 이온 2차 전지 등 차세대 배터리의 실용화를 목표로 한다

　　(1) 머신러닝을 활용한 나트륨 이온 2차 전지 성능 예측

　　【그림 1. 머신러닝에 활용한 O3형 전이금속층 산화물 데이터셋】

　　【그림 2. 머신러닝 모델이 예측한 최적 방전 용량, 평균 방전 전압, 용량 유지율】

　　【그림 3. 합성된 전지 재료의 측정 결과】

　　(2) 음극 재료: 하드 카본

 

국립연구개발법인 물질·재료연구기관(NIMS) (자성·스핀트로닉스 재료)

　　기존 대비 30배 빠른 실험으로 새로운 자기 센서 소재를 발견

　　AI 분석과 고속 실험을 통합한 초고효율 재료 탐색 방법을 구축

　　(1) 자기 센서 응용이 기대되는 현상 ‘이상 홀 효과’

　　(2) 고속 실험 × AI 분석이 만들어내는 상식을 깨는 탐색 속도

　　【그림. 자성 박막 시료의 이상 홀 효과에 관한 기존 평가 프로세스(위)와

　　이번에 개발한 하이스루풋 평가 프로세스(하)】

　　(3) 2위안 → 3위안 → 다중 재료로, AI가 탐색 공간을 크게 확장

　　【그림. Fe₈₀IrzPt₂₀–z 합금 발견에 이르는 AI 예측 프로세스】

　　(4) 정리: 재료 탐색이 계획적으로 진행되는 시대로

　　【그림. 콤비네이터리얼 증착과 하이스루프트 이상 홀 효과 측정,

　　및 NIMO 구현에 따른 자율 재료 탐색 시스템의 개념도

 

국립대학법인 미야자키 대학

　　‘Solar-to-Fuel’ 변환 공정의 고효율화를 목표로 반도체 광전극 재료 개발을,

　　그 계면의 정밀 제어와 광전기화학 디바이스 구축에 폭넓게 참여하고 있다

　　(1) 탠덤형 광전기화학 셀의 고성능화

　　【그림. 탠덤형 광전기화학 셀 개념도】

　　【그림. 나노로드형 Ta3N5 구조(좌)와 탠덤형 셀 개략도(우)】

　　(2) 금속 산화물 박막 도입을 통한 수분 분해 셀의 장수명화

　　【그림: NiFeOx 박막 코팅에 의한 보조 촉매 기능 발현을 나타낸 모식도】

　　(3) 나노 크기 촉매를 이용한 선택적 수소 생성 촉진

　　【그림. CrOx/RhNP 보조 촉매 전극에서 CrOx 층의 역할을 보여주는 모델】

　　(4) 향후 전망

 

학교법인 리츠메이칸대학

　　탄소 중립 사회와 우주 탐사에 기여하는 것을 목표로

　　고성능 에너지 변환 디바이스 창출을 목표로 한다

　　(1) 연구 배경 및 목적

　　(2) 재료 기능 발현과 머티리얼 DX

　　【그림. 원자 스케일 전극 설계. Ni/YSZ 전극 델(왼쪽), Ni/GDC 전극 모델(오른쪽】

　　(3) Ni 산화 내성을 갖는 전극 개발

　　【그림.X선 회절 결과. 전해 모드에서 NiO의 피크 억제를 확인

　　(4) 에너지 다이어그램에 기반한 산화 억제 메커니즘 규명

　　【그림. 첫 원리 계산을 이용한 에너지 다이어그램 평가】

　　(5) CO₂ 전기분해에서 탄소 침전의 과제

　　(6) 정리

 

OptQC 주식회사

　　‘공간’이 아니라 ‘시간’을 자원으로 활용

　　광섬유라는 ‘통신 경로’에 계산 단위가 되는 광펄스(파선)를 배열해 차례로 흐르게 한다

　　(1) 컴퓨팅의 한계와 ‘빛’이라는 해석

　　【그림. Global data centre electricity consumption by sensitivity case, 2020-2035】

　　(2) ‘빛’이 실현하는 계산 혁명

　　【그림. 시간 영역 다중화 개념도】

　　(3) 로드맵과 에코시스템

　　【그림. OptQC 개발 로드맵】

　　(4) AI 개발의 미래와 광양자

　　(5) 결론: 지속 가능한 미래로

 

주식회사 Quanmatic

　　양자 계산 기술을 AI에 적용하는 기술 분야인 ‘양자 AI’를 활용하여,

　　최적의 해답을 제공하는 것을 목표로 한다

　　(1) 양자 계산의 현재 위치

　　(2) AI 예측과 양자 어닐링 머신 최적화 탐색의 통합

　　(3) 양자 계산 구현 사례

　　【그림. 소재 탐색에서 머신러닝(베이지안 최적화)만으로 얻은 결과(왼쪽)와,

　　그 후, 양자 계산 기술(FMQA)을 이용한 결과(오른쪽)의 비교

　　(4) 대학 연계를 통해 진행되는 기반 기술 연구: LHS‑FMQA라는 새로운 방법

　　(5) 양자 AI가 바꾸는 산업의 미래

 

학교법인 게이오대학(지속가능한 양자)

　　양자 머신러닝 연구 등, 양자 기술 분야에서

　　사회 과제 해결을 목표로 하는 연구에 적극적으로 참여한다

　　(1) 산업을 혁신하는 양자 기술의 서막

　　(2) ‘양품’의 기억으로 이상을 감지: 소량 데이터로 작동하는 고정밀 검사

　　【그림: LED 라이트를 조사해 이미지 데이터를 얻는 과정】

　　(3) “귀”를 맑게 하면 공장 전체의 건강 상태를 파악할 수 있다: 비접촉·원거리에서의 이상 동시 감지

　　【그림. 양자 커널(왼쪽)과 기존 RBF 커널(오른쪽)의 거리별 성능 비교】

　　【그림. 채널 3에서의 2차원 특징 공간에서의 이상 패턴 분류】

　　(4) 미래 전망: 스마트 팩토리 구현을 위한 로드맵

　　(5) 정리: 양자 기술이 가져오는 제조업의 진화

 

국립대학법인 전기통신대학

　　최첨단 AI 기술을 기반으로, ‘불확실성으로 가득 찬 현실 세계에서,

　　자율적으로 생각하고, 배우며, 행동할 수 있는 지능을 구축하는 것을 목표로 한다

　　(1) 양자 회로 학습의 표현력을 이론적으로 규명: 세계 최초의 VC 차원 확립과

　　‘양자는 과적합하기 어렵다’는 특성의 발견

　　(2) 양자 강화학습의 기반 구축: 탐색의 본질에 양자를 도입한다는 새로운 시각

　　(3) 랜덤 텐서 네트워크를 이용한 양자 인스파이어드 리저버 컴퓨팅:

　　학습 가능성이 상전이한다는 발견

　　(4) 투명형 태양전지의 AI 역설계: TD-DFT×머신러닝×강화학습으로 재료 탐색을 가속화

　　【그림. 예측 모델 구축】

　　【그림. 심층 강화학습과 예측 모델을 이용한 광물성 역설계

 

주식회사 히타치제작소

　　자성체의 특성을 기술하는 ‘이징 모델’을 이용하여,

　　조합 최적화 문제를 고속으로 해결하는 데 특화

　　(1) 서론: 재료 개발과 AI의 현주소

　　(2) 기존 결정 나무가 안고 있는 근본적인 과제

　　【그림. 기존의 결정 나무(좌)】 vs QUBO 결정 트리(오른쪽) 비교

　　(3) 돌파구가 된 양자 인스파이어드 기술 ‘CMOS 어닐링’

　　(4) QUBO 결정 트리: 복잡한 현실을 그대로 학습하는 AI

　　그림 C. CMOS 어닐링에 의한 탐색 프로세스 개념도

　　(5) 재료 개발에서의 구체적인 가치: 조합 기술자의 발견

　　【그림. 분자 기술자에서 조합 기술자를 생성하는 흐름도】

　　(6) 실증된 효과와 산업계에 미치는 영향

　　【그림. 예측 정확도 향상의 실증 결과】

　　(7) 마무리: 해석 가능한 AI가 여는 협업의 미래

 

국립연구개발법인 물질·재료연구기관(NIMS) (재료설계)

　　기존의 경험과 직감에 의존하는 방식에서 벗어나,

　　AI 기술을 활용함으로써 신소재 탐색 및 개발을 획기적으로 가속화한다

　　(1) 술 냄새만으로 알코올 도수를 추정하는 데 성공: 머신러닝이 ‘향기의 정량화’를 구현

　　【그림. 다양한 종류의 알코올 응답 패턴】

　　(2) 호흡을 통해 폐암을 식별하는 AI 후각 센서: 비침습·고정밀의 새로운 진단 기술로

　　【그림. 호흡 샘플의 데이터 학습·식별 모델 및 검증 결과】

　　(3) AI가 냄새를 ‘이해’하는 시대: 식별 프로세스 가시화가 보여주는 다음 단계

　　【그림. XAI에 의한 냄새 분자 데이터 분석 흐름】

 

학교법인 릿쿄대학

　　WIK는 AI의 설명 가능성에 대한 패러다임 전환을 제안한다

　　(1) 연구의 배경과 과제: 블랙박스화되는 AI와 ‘설명 가능성’에 대한 요구

　　(2) 연구의 핵심: 발상의 전환, ‘학습 경험’에 기반한 설명

　　(3) 실증 실험: 위성 이미지 분류 과제에서의 유효성 확인

　　【그림. 실증 실험 결과 개념도】

　　(4) 연구의 의의와 향후 전개

　　(5) 정리

 

국립대학법인 오사카대학(소프트 나노소재)

　　　분자 설계를 통해 빛·전기·계면을 자유롭게 제어한다는 가 교수님의 연구 이념을 구현하고,

　　차세대 소프트 머티리얼 기술 창출에 기여한다

　　(1) 내우주 환경 표면 개질 재료

　　【그림. 내우주 환경 보호용 필름 POSS 재료】

　　(2) PFAS를 사용하지 않은 발수·발유 재료

　　【그림. 비불소계 발수·발유 재료】

　　(3) 분자 와이어 재료

　　【그림. 일정 간격으로 비틀림을 도입한 수 나노미터 규모의 완전 피복형 분자 도선】

　　(4) 유기 반도체

　　【그림. 작은 자극자 결속 에너지의 유기 반도체 재료】

　　【그림. 농업용 하우스용 유기 태양전지】

　　【그림. 근적외선 파장 선택적 유기 반도체 재료(좌)와 흡수 특성(우)】

　　(5) 정리

 

국립대학법인 나라첨단과학대학원대학(NAIST)

　　데이터를 단순히 수집하던 시대에서, 데이터를 지식으로 전환해 가치를 창출하는 시대로 전환한다

　　(1) 연구 방법의 변혁을 촉진하는 ‘리서치 트랜스포메이션(RX)’

　　【그림 RX 사이클의 개념도】

　　(2) 데이터 기반 연구의 핵심을 이루는 ‘계측 인포매틱스’

　　(3) 멀티모달 해석을 통한 ‘측정 한계’ 돌파

　　【그림. 비강체 레지스트레이션을 이용한

　　3DAP-STEM 단층모듈 해석 개념도

　　(4) 전자 랩 노트와 연계한 ‘지식 가치 사슬’

　　【그림. 딥러닝을 활용한 이미지 분석 및 전자 랩 노트 연동 자동화 개념도】

　　(5) 데이터를 ‘축적’에서 ‘지식으로 전환’으로

 

국립대학법인 홋카이도 대학

　　무기 나노재료를 기반으로 한 고기능 플렉시블 디바이스 개발과,

　　그 이후의 집적 디바이스 시스템 및 새로운 응용 창출을 목표로 한다

　　(1) 다양한 정보를 피부에서 획득할 수 있는 멀티모달 센서 시스템

　　(2) 머신러닝을 도입한 RC 기반 순간 분석 뇌 시스템

　　【그림. (a) 엣지 AI 시스템 흐름. (b) 플렉시블 센서 패치.

　　(c) 데이터 측정부터 분석까지의 개략도. (d) 데이터 분석 개략도

　　【그림. (a) RC 탑재 전자 브러시. (b) 데이터 분석 알고리즘 이미지.

　　(c) 일필필기용 전자 브러시 디바이스.

　　(d) 전자 브러시 압력 센서의 저항 변화 결과와 그 2차원 분포

　　【그림. (a) 물과 20wt% IPA를 센서에 떨어뜨렸을 때의 동작.

　　(b) 각 액체가 떨어질 때 센서(Ch1부터 Ch3)의 저항이 시간에 따라 변하는 현상.

　　(c) 표면 장력과 점도의 예측 결과. 미학습 데이터의 액체를 떨어뜨렸을 때의

　　표면 장력과 점도의 예측 결과. (d) ESN 유무에 따른 정규화 평균제곱 오차 비교

　　(3) 향후 전망

 

국립대학법인 야마가타대학

　　지금까지 없었던 기능과 구조를 융합한 새로운 재료 설계에 기반한

　　세계 최초의 ‘스마트 소재’ 창출에 도전

　　(1) 기존 제진 재료의 과제

　　【그림1. 기존 재료의 제진 특성】

　　【그림2. 기존 재료의 강도 특성과 제진 특성의 관계】

　　(2) 종 구조 재료를 활용한 신기술의 특징

　　【그림. 전형적인 마이크로 종 구조 재료】

　　(3) 종 구조 재료의 제작 방법

　　【그림. 종 구조 재료 제작 방법의 한 예】

　　(4) 제진 특성 및 그 평가

　　【그림. 종 구조 재료의 조직(좌) 및 제진 특성(우)】

　　(5) 종 구조 재료가 진동 억제 특성을 나타내는 메커니즘

　　【그림. 종 구조 재료가 진동을 흡수하는 메커니즘】

　　(6) 종 구조 재료의 용도

　　(7) 향후 전망 – 스마트 소재 연구의 심화와 사회 구현을 목표로