서울대 한정우 교수팀, 인공지능으로 가스 센서 소재를 설계하는 '트윈 루프' 전략 제시

- 실험과 AI 시뮬레이션을 이중 순환 구조로 묶은 센서 소재 설계 로드맵 제안

- 스위스 취리히연방공대와 공동 연구… 네이처 자매지 '네이처 센서스' 게재

▲ 인공지능(AI)을 활용한 가스 센서 소재 설계 전략을 형상화한 이미지

자율주행 로봇이 냄새로 주변을 인식하고, 도시 곳곳의 대기오염을 실시간으로 지도화하며, 사람의 날숨 속 미량 물질로 질병을 진단하는 시대가 다가오고 있다. 이러한 기술의 기반에는 공기 중 특정 기체를 감지해 전기 신호로 바꾸는 가스센서가 있다.

그러나 가스센서가 실제 환경에서 활용되기 위해서는 수 초 이내의 빠른 반응 속도와 높은 습도·복합가스 환경에서의 안정성, 목표 기체만을 가려내는 선택성을 동시에 확보해야 한다. 이에 따라 원하는 성능을 구현할 수 있는 센서 소재를 보다 체계적으로 설계하는 기술의 중요성이 커지고 있다.

서울대학교 공과대학 재료공학부 한정우 교수 연구팀은 스위스 취리히연방공과대학교(ETH Zurich) 안드레아스 귄트너(Andreas T. Güntner) 교수 연구팀과 함께, 실험과 인공지능(AI) 시뮬레이션을 하나의 순환 구조로 연결하는 가스센서 소재 설계 전략인 '트윈 루프(Twin-loop)'를 제안했다.

연구 결과는 2026년 창간된 네이처(Nature) 자매지 ‘네이처 센서스(Nature Sensors)’에 전망 논문(Perspective)*으로 게재됐다.

*전망 논문(Perspective): 새 실험 결과를 보고하는 일반 연구 논문과 달리, 한 분야의 연구 흐름을 종합하고 앞으로의 연구 방향을 제안하는 논문 형식.

현재 널리 쓰이는 가스 센서는 금속 산화물과 같은 나노소재 표면에 금속 입자를 얹은 구조를 기반으로 한다. 센서 표면에서는 기체의 흡착, 산화·환원 반응, 전하 이동 등이 복합적으로 일어나며, 측정되는 전기 신호는 여러 반응이 함께 반영된 결과다. 이 때문에 특정 소재 구조가 어떤 성능을 만들어내는지 명확히 설명하기 어려웠고, 연구 현장에서는 소재 조성과 구조를 바꿔가며 성능을 측정하는 시행착오 방식에 주로 의존해 왔다. 한 조건에서 우수한 성능을 보인 소재라도 다른 기체나 습도, 온도 등의 환경에서는 같은 성능을 보장하지 못하는 경우가 많았다.

연구팀은 이러한 한계를 해결할 수 있는 기반 기술로 최근 빠르게 발전한 두 가지 기술에 주목했다. 첫 번째는 금속 원자를 소재 표면에 하나씩 고정하는 단일원자 소재 기술이다. 반응이 일어나는 자리를 원자 수준에서 제어하면 센서 신호와 표면 구조의 관계를 보다 명확하게 파악할 수 있다.

두 번째는 인공지능 기반 원자간 퍼텐셜(machine learning interatomic potential) 기술이다. 이는 양자역학 계산 결과를 학습한 인공지능 모델로, 수만 개 원자로 구성된 소재의 거동을 양자역학 계산에 가까운 정확도로 빠르게 예측할 수 있다. 이를 활용하면 실제 센서 작동 환경에서 기체와 소재 표면이 상호작용하는 과정을 원자 수준에서 시뮬레이션할 수 있다.

▲ 인공지능 기반 지능형 가스 센서 '트윈 루프' 설계 전략 개념도.

(왼쪽부터) 원격 센싱, 센서 맵핑, 추적 감지 등 응용 분야가 요구하는 측정 속도, 소재 특성, 선택도를 설계 목표로 정한 뒤, 센서 표면과 가스 분자의 상호작용을 원자 수준에서 모델링하고, 센서 데이터와 원자 구조를 그래프 신경망 기반 멀티모달 모델로 학습해 소재 예측 모델을 만든다. 이 모델로 원소, 가스 동역학, 전하 전달, 일함수가 얽힌 물질 탐색 공간을 훑어 최적 센서 소재 후보를 찾아낸다.

연구팀이 제안한 트윈 루프(Twin-loop) 전략은 실험과 AI 시뮬레이션이 서로 결과를 주고받으며 반복적으로 발전하는 이중 순환 구조로, 세 개의 내부 순환 고리와 이를 감싸는 하나의 외부 순환 고리로 구성된다.

첫 번째 내부 고리에서는 센서의 반응 속도, 선택성, 안정성 등 응용 단계의 성능 지표를 기체와 소재 표면 사이의 상호작용에 대응시킨다. 두 번째 내부 고리에서는 기체가 센서 표면에 흡착되는 수용체(receptor) 기능과, 표면 변화가 전기 신호로 바뀌는 변환기(transducer) 기능을 구분해 분석한다. 이 과정에서는 센서가 실제로 작동하는 상태에서 표면을 관찰하는 분광 분석과 양자역학 계산 결과를 대조한다. 세 번째 내부 고리에서는 인공지능 시뮬레이션을 활용해 수많은 후보 소재를 안정성, 반응 크기, 선택성 순으로 선별한다. 이를 통해 실제 합성과 성능 평가를 진행할 후보 소재를 좁힌다.

외부 순환 고리에서는 선별한 소재를 실제로 합성하고, 응용 환경에서 성능을 시험한다. 이때 예측과 다른 실험 결과는 다시 시뮬레이션 모델에 반영해 예측 정확도를 높인다. 연구팀은 이러한 순환 과정을 반복하면 원하는 성능에 맞는 센서 소재를 훨씬 효율적으로 설계할 수 있을 것으로 전망했다.

연구팀은 이러한 접근이 단백질 구조 예측 분야를 변화시킨 인공지능 시스템 '알파폴드(AlphaFold)'의 발전 과정과 유사한 측면이 있다고 설명했다. 알파폴드가 물리 법칙과 대규모 구조 데이터를 결합해 단백질 구조 예측을 일상적인 연구 도구로 발전시킨 것처럼, 트윈 루프 역시 실험과 계산으로 축적되는 데이터를 활용해 원하는 성능의 센서 소재를 미리 예측하는 도구로 발전할 수 있다는 것이다. 이를 위해 연구팀은 센서 실험 조건과 측정 정의를 표준화하고, 부정적 결과를 포함한 데이터를 공유할 수 있는 인프라가 필요하다고 제안했다. 태양전지와 리튬배터리 분야에서 확립된 표준 보고 지침이 참고가 될 수 있다고 덧붙였다.

▲ (왼쪽부터) 정석현 서울대학교 재료공학부 박사후 연구원, 한정우 서울대학교 재료공학부 교수, 김건주 ETH 취리히 박사후 연구원, 신하민 연세대학교 교수(연구 당시 ETH 취리히 박사후 연구원), 안드레아스 귄트너(Andreas T. Güntner) ETH 취리히 교수

한정우 교수는 "가스 센서 분야는 그동안 좋은 소재를 찾는 데 집중해 왔지만, 왜 좋은지를 설명하는 틀이 부족했다"며 "실험과 인공지능 시뮬레이션을 하나의 순환 구조로 묶은 이번 전략이 촉매 분야에서 검증된 소재 설계 방법론을 센서 분야로 확장하는 계기가 되기를 기대한다"고 말했다.

이번 논문에는 정석현 서울대학교 재료공학부 박사후 연구원, 김건주 ETH 취리히 박사후 연구원, 연세대학교 신하민 교수(연구 당시 ETH 취리히 박사후 연구원)가 공동 제1저자로 참여했다. 한정우 교수와 안드레아스 귄트너 교수가 공동 교신저자를 맡았다.

이번 연구는 한국연구재단 개인기초연구사업(RS-2023-00235596), 스위스 연방교육연구혁신사무국(SERI), 스위스 국립과학재단의 지원을 받아 수행됐다.

[참고 자료]

- 논문명/저널: High-performance gas sensors through predictive material design, Nature Sensors

- DOI: 10.1038/s44460-026-00115-2

[문의]

서울대학교 재료공학부 한정우 교수 / 02-880-1610 / jwhan98@snu.ac.kr