AI가 1억 가지를 40번으로 줄였다, NASA 합금 3D프린팅의 새 공식
AI가 1억 가지를
40번으로 줄였다
NASA가 개발한 고성능 구리합금 GRCop‑42는 열을 빠르게 빼내면서 극한 온도를 견뎌 로켓 엔진에 매력적입니다. 문제는 웬만한 장비로는 제대로 출력하기 어렵다는 것. 연구팀은 실패 데이터까지 학습하는 적응형 실험설계로 500W 조건을 포함한 여섯 개의 성공 조합을 찾아냈습니다.
01. 발표의 핵심은 ‘정답 예측’이 아니라 실험 순서의 혁신
워싱턴주립대 연구진이 2026년 AAAI 학술대회 논문으로 보고한 성과는 AI가 금속의 제조법을 혼자 발명했다는 이야기가 아닙니다. 사람이 모든 조합을 차례로 시험할 수 없는 상황에서, 다음에 무엇을 시험해야 가장 많은 정보를 얻는지를 AI가 골랐다는 이야기입니다.
연구 대상은 지향성 에너지 적층 방식, 즉 DED로 GRCop‑42를 출력하는 공정입니다. 레이저 출력, 스캔 속도, 분말 공급률 같은 변수가 서로 얽히면 후보 조합은 1억 개를 넘어갑니다. 조합 하나를 실제로 출력하는 데는 재료와 장비 비용이 들고, 결과물을 잘라 미세조직과 결함을 확인하는 데도 시간이 필요합니다. 전수조사는 현실적으로 불가능합니다.
연구팀은 과거의 실패 37건에서 출발했습니다. 실패는 버려야 할 기록이 아니라 ‘이 주변은 가능성이 낮다’고 알려주는 지도였습니다. 모델은 아직 시험하지 않은 조건의 성공 가능성과 불확실성을 함께 추정했고, 작은 묶음의 후보를 추천했습니다. 실제 출력 결과가 돌아오면 모델을 갱신하고 다시 다음 후보를 골랐습니다. 이 순환을 통해 석 달 동안 새 실험을 40회로 제한하면서 서로 다른 레이저 출력 영역에서 결함 없는 결과 여섯 개를 확보했습니다.
“1억 번을 계산해 40번 만에 답을 맞혔다”기보다 “1억 개가 넘는 거대한 후보 공간에서, 실제 실험 40회를 정보 가치가 높은 순서로 배치했다”가 연구의 본질에 가깝습니다.
02. GRCop‑42, 왜 로켓 엔진이 구리합금을 원하는가
GRCop‑42는 NASA가 개발한 구리·크롬·니오븀 계열 합금입니다. 이름의 ‘42’는 일반적으로 합금 내 크롬과 니오븀의 원자비와 연결해 설명됩니다. 핵심은 구리가 가진 높은 열전도성과 고온에서 구조를 지탱할 수 있는 미세한 강화상을 한 재료 안에 결합하는 데 있습니다. 순수 구리는 열을 잘 전달하지만 고온 강도가 충분하지 않을 수 있고, 고강도 재료는 열을 빼내는 능력이 떨어질 수 있습니다. 로켓 연소실은 두 성질을 동시에 요구합니다.
액체로켓 엔진의 연소실과 노즐 목 주변은 뜨거운 연소가스에 반복적으로 노출됩니다. 벽 안쪽의 냉각 채널로 추진제를 흘려 열을 빠르게 제거하지 못하면 손상이 누적됩니다. 구리계 합금은 열을 냉각 유로로 옮기는 데 유리하고, 크롬·니오븀 기반의 미세조직은 고온 환경에서 강도를 보완합니다. 적층제조는 복잡한 냉각 통로를 부품 내부에 직접 만들 수 있어 이 재료의 장점을 더욱 살릴 가능성이 있습니다.
다만 ‘로켓에 쓰이는 합금’이라는 표현이 이번 500W 출력물이 곧바로 비행 부품이라는 뜻은 아닙니다. 연구는 우선 출력 가능한 공정 조건을 발견했다는 단계입니다. 실제 비행 하드웨어에는 밀도, 강도, 연신율, 피로, 열전도, 산화, 치수 안정성, 후처리, 비파괴검사와 엔진 수준의 연소시험까지 훨씬 긴 검증 사슬이 필요합니다.
03. 같은 분말인데 왜 어떤 조건은 녹고 어떤 조건은 무너질까
DED 공정에서는 노즐이 금속 분말을 공급하고 레이저가 기판 또는 이미 쌓인 층을 녹여 용융풀을 만듭니다. 헤드나 기판이 정해진 경로로 움직이면서 용융 금속이 굳고, 이 과정이 반복돼 입체 형상이 자랍니다. 겉보기에는 레이저 출력 하나만 조절하면 될 듯하지만 실제 품질은 단위 길이와 단위 질량에 들어가는 에너지, 분말이 용융풀에 포획되는 비율, 열이 빠져나가는 속도의 결합으로 결정됩니다.
에너지가 부족하면 분말이나 이전 층이 충분히 녹지 않아 융합 불량과 기공이 생길 수 있습니다. 반대로 에너지가 지나치면 용융풀이 불안정해지고 재료가 증발하거나 형상이 주저앉을 수 있습니다. 스캔 속도를 높이면 한 지점에 머무는 시간이 줄고, 분말 공급량을 늘리면 녹여야 할 질량이 커집니다. 한 변수를 바꾸면 나머지 변수의 적정점도 이동합니다.
구리는 적외선 영역의 에너지를 잘 반사하고 열을 빠르게 퍼뜨립니다. 그래서 낮은 출력의 일반적인 적외선 레이저 장비에서는 안정된 용융풀을 만들기 까다롭습니다. 연구진 설명에 따르면 이 합금을 다룰 수 없는 상용 프린터가 약 90%에 이릅니다. 이번 연구가 낮은 출력 조건을 찾는 데 집중한 이유도 특수 고출력 장비에만 묶여 있던 공정의 문턱을 낮추기 위해서입니다.
| 변수 | 너무 낮을 때 | 너무 높을 때 | 함께 봐야 할 것 |
|---|---|---|---|
| 레이저 출력 | 미용융, 층간 결합 부족 | 과열, 증발, 형상 붕괴 | 스캔 속도와 빔 크기 |
| 이동 속도 | 과도한 열 축적 | 에너지 부족 | 출력과 경로 간격 |
| 분말 공급률 | 낮은 적층 효율 | 미용융 분말 증가 | 용융풀 크기와 가스 흐름 |
| 층간 열상태 | 결합 불안정 | 잔류응력·변형 | 대기시간과 냉각 조건 |
04. BEAM은 어떻게 다음 한 번을 고르는가
논문이 제안한 접근법은 BEAM, 즉 적층제조를 위한 베이지안 실험설계입니다. 중심에는 실제 공정을 대신해 성공 가능성을 빠르게 추정하는 대리모델이 있습니다. 모델은 이미 관측한 조건과 성공·실패 결과를 바탕으로 아직 시험하지 않은 점들을 평가합니다. 하지만 단순히 성공 확률이 가장 높은 후보만 반복해서 고르면 현재의 믿음에서 벗어나지 못할 수 있습니다.
그래서 선택 전략은 활용과 탐색 사이의 균형을 잡습니다. 활용은 지금까지의 데이터로 볼 때 성공 가능성이 높은 곳을 시험하는 것입니다. 탐색은 결과가 불확실하지만 확인할 경우 전체 지도를 크게 개선할 수 있는 곳을 시험하는 것입니다. 실제 재료 실험은 한 번의 비용이 크므로, 연구진은 여러 후보를 작은 배치로 제안하고 실험실의 장비 운영과 분석 흐름에 맞춰 검증했습니다.
여기서 실패는 손실이면서 동시에 정보입니다. 어떤 후보가 녹아내렸다면 그 결과는 모델에 위험 영역의 경계를 알려줍니다. 결함이 발견돼도 마찬가지입니다. 고비용 과학에서는 모든 실험을 성공시키는 모델보다, 실패조차 다음 판단을 개선하도록 설계한 모델이 더 실용적일 수 있습니다.
05. 40회 중 여섯 성공, 숫자를 제대로 읽는 법
보도자료가 강조한 숫자는 1억 개 이상의 후보, 40회의 실제 실험, 여섯 개의 성공 조건, 그리고 500W입니다. 이 수치만 보면 성공률 15%라고 계산하고 싶어질 수 있습니다. 그러나 이 비율을 일반적인 공정 성공률로 해석하면 안 됩니다. 40회는 무작위 표본이 아니라 모델이 순차적으로 고른 후보이며, 목표는 전체 공간의 성공 비율을 추정하는 것이 아니라 희귀한 성공 영역을 최소 비용으로 발견하는 것이었습니다.
또 ‘40회’는 연구팀이 새 접근법을 적용해 수행한 실험의 수이고, 출발점에는 이전에 실패한 37개 구성의 데이터가 있었습니다. 따라서 백지에서 40번만 시도했다고 축약하는 것도 정확하지 않습니다. 실패 데이터가 초기 지형을 제공했기 때문에 다음 후보의 우선순위를 세울 수 있었습니다. 데이터의 출처와 실험의 순서를 함께 봐야 성과의 크기가 보입니다.
여섯 개 성공 조건을 찾은 점은 단 하나의 우연한 점이 아니라 서로 다른 출력 수준에서 재현 가능한 공정창의 후보가 존재함을 보여준다는 데 의미가 있습니다. 다만 논문에서 말하는 ‘feasible’ 또는 결함 없는 출력은 적용 목적에 필요한 모든 인증을 통과했다는 뜻이 아닙니다. 일차 관문인 출력 가능성을 통과했다는 뜻으로 읽는 것이 안전합니다.
- 1억은 실제로 모두 출력한 횟수가 아니라 변수 조합으로 구성된 후보 공간의 규모입니다.
- 40회에는 AI가 제안하고 연구자가 실제 장비로 확인한 새 실험이 포함됩니다.
- 여섯 개는 서로 다른 레이저 출력 수준에서 발견한 실행 가능한 설정입니다.
- 500W는 이번 연구에서 성공한 최저 레이저 출력으로 보고됐습니다.
06. 왜 500W가 ‘민주화’라는 표현으로 이어졌나
연구진은 낮은 출력으로 GRCop‑42를 안정적으로 만들 수 있다면 더 흔한 상용 장비에서 이 합금을 다룰 가능성이 열린다고 설명합니다. 고출력 특수 레이저 시스템은 장비 가격뿐 아니라 전력, 광학계, 안전설비, 유지보수와 운용 인력의 부담도 큽니다. 대학의 소규모 연구실이나 중소 제조기업에는 장비 접근성 자체가 연구 주제를 제한하는 장벽이 됩니다.
500W 조건의 발견이 곧 모든 500W 프린터에서 같은 품질을 보장한다는 뜻은 아닙니다. 레이저 파장과 빔 프로파일, 노즐 형상, 분말 입도 분포, 보호가스, 기판 재질, 장비 보정 상태가 달라지면 같은 숫자도 다른 열이력을 만듭니다. 연구에서 찾은 레시피는 ‘복사해서 붙여 넣는 만능 설정’보다 낮은 출력 영역에도 실행 가능한 공정창이 존재한다는 강한 실증에 가깝습니다.
그럼에도 접근성의 변화는 큽니다. 더 많은 기관이 후속 실험을 수행할 수 있고, 공정창을 재현하거나 다른 형상으로 확장할 수 있으며, 소재와 장비 기업이 응용 검증에 참여할 수 있습니다. 특정 고가 장비에 갇혀 있던 연구가 여러 실험실의 검증 대상으로 이동하면 기술의 개선 속도와 결과의 신뢰성이 함께 높아질 수 있습니다.
07. 출력 성공에서 비행 인증까지 남은 긴 사다리
금속 시편이 외형을 유지하고 큰 결함 없이 출력됐다고 해서 바로 로켓 연소실에 장착할 수는 없습니다. 먼저 같은 조건을 반복했을 때 결과가 얼마나 안정적인지 확인해야 합니다. 분말 배치, 작업일, 장비, 작업자와 위치가 달라져도 밀도와 미세조직이 허용 범위에 들어오는지 통계적으로 검증해야 합니다.
다음은 성능입니다. 인장강도와 항복강도뿐 아니라 고온에서의 크리프, 반복 열하중에 대한 저주기 피로, 냉각 채널 주변의 균열 성장, 열전도율, 산화와 부식 거동을 평가해야 합니다. 적층 방향에 따라 성질이 달라지는 이방성과 잔류응력도 살펴야 합니다. 열처리나 열간등방압가압 같은 후처리가 필요하다면 그 조건도 공정 사양의 일부가 됩니다.
부품 단계에서는 형상 정확도와 내부 채널의 표면 거칠기, 막힘, 벽 두께를 검사합니다. 엑스선 CT와 초음파 같은 비파괴검사 방법이 결함을 놓치지 않는지 검증해야 하고, 최종적으로 압력시험·열유동시험·연소시험을 거쳐야 합니다. AI가 탐색 시간을 줄여도 항공우주 인증의 증거 기준까지 줄여주는 것은 아닙니다.
08. 로켓을 넘어 어디까지 확장될 수 있을까
이번 사례의 직접 대상은 항공우주용 GRCop‑42이지만, 방법론의 가치는 특정 합금보다 넓습니다. 고가의 재료와 장비를 쓰고 결과 분석에 며칠이 걸리는 실험은 배터리 전극, 촉매, 반도체 공정, 복합재료, 의약 후보 탐색에서도 반복됩니다. 성공 영역이 드물고 실패가 비싸며 변수 사이 상호작용이 복잡한 문제라면 적응형 실험설계가 유용할 수 있습니다.
제조 현장에서는 새로운 합금마다 레시피를 처음부터 손으로 조정하는 시간을 줄일 수 있습니다. 목표를 단순한 성공·실패에서 밀도, 표면 거칠기, 생산속도, 에너지 사용량, 비용을 함께 고려하는 다목적 최적화로 확장할 수도 있습니다. 다만 목표가 많아질수록 무엇을 좋은 결과로 정의할지에 대한 산업적 판단이 중요해집니다. 빠르지만 취약한 부품과 느리지만 안전 여유가 큰 부품 중 무엇을 택할지는 모델 혼자 결정할 문제가 아닙니다.
저출력 공정이 확립되면 에너지 소비와 장비 마모를 줄일 잠재력도 있습니다. 하지만 한 시편당 레이저 출력이 낮아졌다고 전체 공정의 탄소배출이 자동으로 감소하는 것은 아닙니다. 출력 시간이 길어지는지, 분말 수율과 후처리 에너지가 어떤지, 불량률이 얼마나 줄었는지까지 전 과정 관점에서 계산해야 합니다.
09. AI는 과학자의 답안지가 아니라 질문 순서표가 된다
생성형 AI가 문장과 이미지를 만드는 모습에 익숙해진 지금, 이번 연구는 과학에서 AI가 맡을 수 있는 다른 역할을 보여줍니다. 실험실에서는 가장 그럴듯한 설명을 만드는 능력보다 다음 실험의 정보 가치를 정량화하는 능력이 중요할 때가 많습니다. 실제 세계의 결과는 모델의 자신감과 무관하게 성공 또는 실패로 돌아오기 때문입니다.
이 구조는 폐쇄루프 연구실로 이어질 수 있습니다. 모델이 조건을 추천하고, 자동화 장비가 시편을 만들며, 센서와 분석 장비가 품질을 측정하고, 결과가 다시 모델로 들어갑니다. 사람은 목표와 제약, 안전 경계, 평가 기준을 설계하고 예외를 해석합니다. 자동화가 높아질수록 데이터 형식과 계측 신뢰도, 장비 간 보정, 실험 추적성의 중요성도 커집니다.
특히 ‘모든 결과를 좋아했다’는 연구진의 설명은 과학적 실패의 가치를 잘 보여줍니다. 모델 관점에서 실패는 가설 공간을 줄이고 경계를 선명하게 만드는 관측입니다. 조직이 실패 데이터를 기록하지 않거나 성공 사례만 공유한다면 AI가 배울 지도는 왜곡됩니다. 결국 성능 좋은 알고리즘만큼 중요한 자산은 조건과 결과, 분석법이 연결된 정직한 실험 기록입니다.
10. 이 뉴스를 과장 없이 읽는 다섯 가지 기준
이번 결과는 ‘AI가 로켓 엔진을 만들었다’는 뉴스가 아닙니다. 더 정확하고 더 흥미로운 성과는 비싸고 드문 물리 실험을 어떤 순서로 해야 하는지 학습해, 오랫동안 찾지 못했던 저출력 공정창을 실제로 발견했다는 것입니다.
- 발견과 인증을 구분합니다. 성공적인 시편 출력은 중요한 시작점이지만 비행 부품 인증은 별도의 긴 과정입니다.
- 숫자의 분모를 확인합니다. 1억은 후보 조합, 40은 새 실제 실험, 여섯은 발견된 실행 가능 조건입니다.
- 초기 데이터를 잊지 않습니다. 모델은 이전 실패 37건을 토대로 탐색을 시작했습니다.
- 500W를 만능 레시피로 보지 않습니다. 장비·분말·광학계가 달라지면 공정 이전 검증이 필요합니다.
- 방법론의 확장성을 봅니다. 성공이 희귀하고 실험이 비싼 다른 재료·제조·과학 문제에도 적용 가능한 틀입니다.
이 연구가 던지는 가장 큰 메시지는 AI가 인간의 시행착오를 없앤다는 데 있지 않습니다. 더 값진 시행착오를 고르고, 실패가 다음 선택을 개선하도록 만든다는 데 있습니다. 재료과학의 난제는 화면 속 데이터만으로 풀리지 않습니다. 레이저가 실제 분말을 녹이고, 시편이 실제 응력을 견디며, 측정값이 다시 모델의 믿음을 수정할 때 비로소 닫힌 고리가 완성됩니다.
앞으로 확인할 것은 세 가지입니다. 첫째, 다른 장비와 분말 배치에서도 저출력 조건이 재현되는가. 둘째, 출력물의 기계적·열적 특성이 항공우주 요구조건에 도달하는가. 셋째, 같은 적응형 설계가 다른 합금과 다른 적층방식에서도 비용과 시간을 실제로 줄이는가. 이 질문에 대한 후속 데이터가 쌓일 때, 이번 성과는 흥미로운 실험을 넘어 제조 패러다임의 변화로 자리 잡을 수 있습니다.
AI의 진짜 돌파구는 1억 개의 답을 대신 계산한 것이 아니라, 현실에서 단 40번만 물어볼 수 있을 때 가장 가치 있는 질문을 골랐다는 데 있습니다.
독자가 가장 궁금해할 실전 Q&A
Q1. AI가 실제 프린터를 직접 조작했나요?
논문이 강조하는 핵심은 AI 기반의 후보 선택입니다. 모델이 유망하거나 정보 가치가 높은 공정 조건을 추천하면 재료·기계 분야 연구진이 DED 장비로 출력하고 결과를 평가했습니다. 모든 단계가 무인으로 이어진 완전 자율공장은 아닙니다. 사람과 알고리즘, 실제 장비가 역할을 나눈 인간 참여형 실험으로 보는 편이 정확합니다.
Q2. 500W는 가정용 전자제품 수준이니 공정도 간단한가요?
레이저 정격 출력과 장비 전체의 소비전력은 다릅니다. 금속 분말 공급, 보호가스, 냉각, 모션 제어, 집진과 안전설비도 필요합니다. 500W는 레이저 공정조건을 이해하는 지표이지 프린터 한 대가 벽면 콘센트에서 500W만 소비한다는 의미가 아닙니다. 또한 고출력 빔과 미세 금속 분말을 다루므로 전문 시설과 안전절차가 반드시 필요합니다.
Q3. 성공 설정 여섯 개 가운데 하나만 고르면 되나요?
용도가 다르면 최적 조건도 달라질 수 있습니다. 작은 시편의 건전성, 대형 부품의 생산속도, 표면 품질, 재료 사용 효율과 잔류응력은 서로 다른 조건을 선호할 수 있습니다. 여섯 개의 후보는 선택지를 넓혀 주지만, 최종 부품의 형상과 목표 물성에 맞춘 추가 최적화가 필요합니다. 공정창을 한 점이 아니라 허용 가능한 영역으로 확보해야 제조 편차에도 견딜 수 있습니다.
Q4. 기존의 수치해석이나 재료 모델은 필요 없어지나요?
오히려 함께 쓸수록 강해집니다. 열전달과 유체, 응고를 설명하는 물리모델은 위험하거나 불가능한 영역을 사전에 줄일 수 있고, 데이터 기반 대리모델은 계산과 현실 사이의 오차를 실제 관측으로 보정할 수 있습니다. 물리 지식이 탐색 범위를 정돈하고 베이지안 설계가 부족한 정보를 채우는 결합이 고비용 실험에 특히 적합합니다.
Q5. 실패 데이터는 공개돼야 다른 연구팀도 재현할 수 있나요?
재현성에는 성공 조건뿐 아니라 장비 사양, 분말 특성, 실패의 판정 기준과 계측법이 중요합니다. 실패가 단순히 ‘0’으로만 기록되면 왜 실패했는지 활용하기 어렵습니다. 미용융, 기공, 균열, 형상 붕괴처럼 실패 유형을 표준화하고 원시 측정값과 함께 남길수록 다른 연구팀이 조건을 이전하거나 모델을 비교하기 쉬워집니다. 상업 기밀과 연구 공개 사이의 균형은 남아 있지만, 검증 가능한 메타데이터가 기술 확산의 열쇠입니다.
Q6. 국내 제조 현장에는 어떤 시사점이 있나요?
항공우주·방산·에너지 분야에서 소량 고부가 금속부품을 개발할 때 가장 큰 비용 중 하나는 조건 설정과 품질 검증입니다. 장비 제조사, 소재 공급사, 대학과 수요기업이 동일한 데이터 규격으로 실험 결과를 축적하면 각 기관이 같은 실패를 되풀이하는 시간을 줄일 수 있습니다. 다만 외국 논문의 설정을 그대로 옮기기보다 국내 장비와 분말, 품질규격에 맞춘 독립 검증 체계를 먼저 세워야 합니다.
Q7. 다음 논문에서 무엇을 확인해야 하나요?
우선 성공 조건의 반복 횟수와 편차, 시편의 밀도 및 미세조직, 상온·고온 기계적 물성 자료를 확인해야 합니다. 그다음 더 복잡하고 큰 형상에서 열 축적을 어떻게 제어했는지, 다른 장비로 옮겼을 때 모델이 얼마나 적은 추가 실험으로 적응하는지가 중요합니다. 마지막으로 AI를 쓰지 않은 전문가 주도 탐색과 동일한 예산·시간 아래에서 비교해야 실제 절감 효과를 공정하게 판단할 수 있습니다.
근거 자료와 더 읽을거리
- AAAI 논문 페이지 — Discovery of Feasible 3D Printing Configurations for Metal Alloys via AI‑Driven Adaptive Experimental Design
- AAAI 논문 원문 PDF — BEAM 방법, GRCop‑42 실험과 결과
- Washington State University 공식 발표 — 2026년 8월 24일
- ScienceDaily — WSU 발표 기반 연구 요약
- NASA Technical Reports Server — 적층제조 추진부품과 구리합금 관련 기술자료
- NASA — AI 설계와 적층제조를 임무 하드웨어에 결합하는 배경
작성 기준일: 2026년 8월 28일. 수치와 연구 범위는 논문 및 연구기관 발표를 기준으로 교차확인했습니다. 본문의 이미지는 개념 이해를 위해 생성한 것으로 실제 연구 장비·시편 사진이 아닙니다.
댓글
댓글 쓰기