Executive Summary
전자현미경 사진에서 입자를 알아보던 AI가 그 구조가 왜 나왔는지 따지는 쪽으로 옮겨 가고 있다는 리뷰 논문이 나왔다. 에브로피 툴케리두를 비롯한 네 명이 2026년 7월 11일 arXiv에 올린 「나노입자 전자현미경에서 이미지 해석으로부터 과학적 추론으로 나아가는 AI의 진화」이고, 학술지 Advanced Intelligent Discovery에 심사를 받고 있다. 투과전자현미경과 고분해능 투과전자현미경, 주사투과전자현미경, 그리고 시료가 변하는 동안 들여다보는 in situ 투과전자현미경을 한자리에 놓고, 입자를 찾아내는 일부터 흐려진 원자 배열을 되살리고 시료가 변하는 과정을 좇는 일까지를 과제로 묶었다.
추론으로 가는 길목에 놓인 것이 데이터다. 같은 초록이 다음 과제로 꼽은 목록에 메타데이터가 올라와 있다. 합성 조건이 어떤 구조를 만들고 그 구조가 어떤 성능을 내는지를 한 사슬로 잇자는 제안인데, 그러려면 현미경 영상만으로는 모자라고 시뮬레이션과 자율 실험의 기록이 함께 묶여야 한다. 그런데 그 기록을 실제로 남겨야 할 자율 실험실 장비는 아직 거기에 못 미친다. 2025년 네이처 커뮤니케이션스에 실린 자율 실험실 논문은 지금의 자율 실험실 하드웨어가 실험 메타데이터 대부분을 담지 못한다(fails to capture most experimental meta-data)고 적었다.
1절부터 4절까지 옮긴 사실과 수치는 arXiv에 공개된 리뷰 논문 초록과 서지 정보, 자율 현미경·자율 실험실을 다룬 논문 다섯 편, 미국 에너지부 발표와 그 보도에서 가져왔다. 리뷰 논문의 본문 PDF는 열지 못해 본문의 표와 수치는 확인하지 못했고, 초록이 밝힌 범위와 전망만 옮겼다. 이 흐름을 '데이터가 스스로 생성되기 시작할 때 AI-Ready Data의 뜻이 어떻게 바뀌는가'의 문제로 묶은 4절 후반과 5절 전체는 페블러스의 해석이다.
주요 수치
앞의 두 숫자는 이 분야가 지금 해내는 일의 크기다. 뒤의 둘은 그 일에 걸린 돈과, 그 돈으로도 아직 메우지 못한 자리를 가리킨다.
출처: arXiv:2504.10281, arXiv:2508.06642, ExecutiveGov, Nature Communications.
99.7%
추가 학습 없이 해낸 단층 이황화몰리브덴 자동 분할 정확도
ATOMIC — 전자현미경이 아니라 광학 현미경 영상이다
6배
자율 실험실이 목표에 닿는 데 필요한 실험 수를 줄인 배수의 중앙값
보고된 값의 폭은 넓고, 탐색 공간의 차원이 높을수록 커진다
3억 2천만 달러
미국 에너지부가 2025년 12월 과학 AI에 건 첫 투자
51개 과제 가운데 14개가 로봇·자동화 실험실·대형 실험 자율 제어다
대부분
지금의 자율 실험실 장비가 담지 못하는 실험 메타데이터의 몫
온도·상대습도 같은 상태 값까지 담아야 하는데 상용 장비가 따라가지 못한다
AI가 현미경에서 맡아 온 일은 사진을 읽는 쪽이었다
전자현미경은 오래 눈의 연장이었다. 사람이 들여다보고, 입자를 세고, 자로 재어 크기 분포를 적었다. 한 시료에서 수천 장이 쏟아지는 지금 그 방식은 버티지 못한다. AI가 들어온 첫 자리가 바로 거기다. 리뷰 논문이 과제로 묶은 항목을 보면 성격이 분명하다. 입자가 어디 있는지 찾아내는 검출, 입자와 배경을 가르는 분할, 모양과 크기를 숫자로 바꾸는 형태 정량화, 흐려진 원자 배열을 되살리는 원자 수준 복원, 결함 식별, 2차원 영상에서 3차원 구조를 되짚는 일, 그리고 시료가 변하는 동안의 거동 분석이다.
쓰인 방법의 계보도 함께 정리돼 있다. 고전적인 기계학습에서 출발해 합성곱 신경망으로, 다시 트랜스포머 구조와 자기지도학습으로, 그리고 파운데이션 모델과 멀티모달 AI, 물리 법칙을 학습에 넣는 물리정보학습까지다. 열다섯 해 사이 컴퓨터 비전에서 벌어진 일이 거의 그대로 현미경 영상에 옮겨 왔다고 읽어도 크게 틀리지 않는다.
초록이 이 변화를 요약한 문장은 한 줄이다. 기계학습과 딥러닝의 최근 발전이 현미경을 서술적인 영상 기법에서 구조 해석과 동적 분석, 과학적 추론을 위한 데이터 기반 플랫폼으로 넓혔다는 것이다. 앞의 두 낱말과 뒤의 한 낱말 사이에 간격이 있다. 구조 해석과 동적 분석은 위에 적은 과제 목록이 이미 하고 있는 일이다. 과학적 추론은 아직 목록에 없다.
여기까지의 일에는 공통점이 하나 있다. 전부 사진 한 장 안에서 답이 나온다. 입자가 몇 개인지, 지름이 몇 나노미터인지, 어느 자리에 결함이 있는지는 픽셀을 다 읽으면 결정된다. 정답을 가릴 기준도 사진 안에 있다. 사람 전문가가 같은 사진에 그어 놓은 경계선과 견주면 된다.
사진 밖을 묻는 순간 다른 데이터가 필요해진다
사진 안에서 닫히는 일이 어디까지 왔는지는 다른 현미경에서 더 또렷하게 보인다. 듀크대학 연구진이 2025년 내놓은 ATOMIC은 광학 현미경으로 2차원 소재를 들여다보는 자율 특성화 체계다. 이름은 Autonomous Technology for Optical Microscopy & Intelligent Characterization의 머리글자를 땄다. 파운데이션 비전 모델인 Segment Anything Model과 대형 언어 모델, 비지도 군집, 위상 분석을 엮어 현미경 제어부터 시료 훑기, 영상 분할, 해석까지를 돌린다. 핵심은 이 소재를 위한 학습 데이터를 따로 만들지 않았다는 점이다. 프롬프트 설계만으로 처음 보는 소재에 그대로 붙였고, 단층 이황화몰리브덴에서 99.7%의 분할 정확도가 나왔다. 흑연의 한 층인 그래핀과 이셀렌화텅스텐, 셀렌화주석에도 적용됐고, 층 두께는 원자간력현미경으로 따로 확인했다.
전자현미경과 광학 현미경은 다루는 척도도 어려움도 다르다. 그래도 한 가지는 공통이다. 무엇이 찍혀 있는지 알아보는 일은 이제 전용 학습 데이터 없이도 상당한 수준에 닿는다. 그렇다면 궁금한 것은 그다음이다.
리뷰 논문이 적은 다음 과제가 그 자리에 있다. 현미경 데이터를 시뮬레이션, 메타데이터, 자율 실험과 통합해 나노입자의 구조와 거동, 합성 조건, 기능적 성질을 서로 잇는 일이다. 네 항목을 한 문장에 나란히 세운 것이 요지다. 왜 이 모양이 나왔는지는 전구체와 온도와 시간이 있어야 답이 나오고, 이 구조가 무엇을 할 수 있는지는 성능 측정값이 있어야 답이 나온다. 둘 다 사진의 픽셀 어디에도 적혀 있지 않다.
초록은 지금의 방법론을 두고 이점과 한계, 벤치마킹, 그리고 데이터 요구 사항을 비판적으로 따져 봤다고 밝혔다. 앞의 셋은 모델을 재고, 마지막 하나는 모델 바깥을 잰다. 리뷰가 늘어놓은 과제와 전망도 그 두 잣대에 따라 갈린다. 답이 사진 안에서 결정되는 물음이 한쪽이고, 답이 실험 기록에 있는 물음이 다른 쪽이다.
▲ 페블러스 원본 도식. 리뷰 논문이 과제와 전망으로 늘어놓은 항목을, 답이 어디에 있느냐를 기준으로 갈라 놓은 것이다.
오른쪽 묶음은 성능을 조금 더 끌어올려 닿는 자리가 아니다. 분할 정확도를 99.7%에서 99.9%로 올려도 왼쪽에 머문다. 오른쪽으로 건너가려면 사진마다 그 사진이 어떤 실험의 어느 시점에서 나왔는지가 함께 적혀 있어야 한다. 구조와 합성 조건과 기능을 잇는 인과 모델은 그 연결선이 데이터에 이미 들어 있을 때만 학습된다.
'풍부한 메타데이터'는 아직 설계 목표에만 있다
그 연결선을 자동으로 만들어 줄 후보로 꼽히는 것이 자율 실험실이다. 기계학습이 다음 실험을 고르고 자동화 장비가 그것을 수행하는 체계이고, 영어로는 self-driving lab이라 부른다. 2025년에 나온 자율 실험실 성능 리뷰는 설계 목표를 네 가지로 적었다. 더 빠르게, 더 똑똑하게, 더 믿을 만하게, 그리고 기존 방식보다 풍부한 메타데이터와 함께 실험을 수행하는 것이다.
앞의 셋은 숫자로 확인된다. 같은 리뷰가 문헌을 훑어 계산한 가속 배수의 중앙값은 6이다. 목표에 닿는 데 필요한 실험 수를 기준 전략 대비 여섯 분의 일로 줄였다는 뜻이고, 보고된 값의 폭은 넓지만 탐색 공간의 차원이 높아질수록 배수가 커지는 경향이 있었다. 문제는 네 번째다.
2025년 네이처 커뮤니케이션스에 실린 자율 실험실 논문이 그 자리를 짚었다. 지금의 하드웨어는 실험 메타데이터의 대부분을 잡아내지 못하고, 제조사가 시험을 거쳤더라도 실험의 불확실성은 쓰는 쪽에서 직접 측정해야 한다고 적혀 있다. 무엇을 담아야 하는지도 함께 적혀 있다. 실험의 입력과 출력만이 아니라 상태와 환경 정보까지다. 온도와 상대습도, 그리고 기계학습 모델의 결과를 재현하는 데 필요한 모든 값이 여기 들어가는데, 논문은 이것들이 상용 장비가 흔히 빠뜨리는 측정값이라고 덧붙였다.
같은 논문이 해법으로 적은 조건도 짧다. 데이터 관리와 모델링은 유연해야 하고 서로 맞물려야 하며, 실험과 결과를 나타낼 수단을 갖춰야 한다는 것이다. 실험실 하나가 자기 형식으로 꼼꼼히 적어 두는 것으로는 모자란다는 뜻이다. 조건은 하나 더 붙는다. 사람 연구자든 함께 일하는 다른 자율 실험실이든 그 결과를 믿을지 정하려면 불확실성과 보정, 벤치마크 연구가 있어야 한다고 짚었다.
설계가 약속한 '풍부한 메타데이터'와 장비가 실제로 남기는 기록 사이에 이만큼 간격이 있다. 현미경 연구에서도 같은 진단이 먼저 나왔다. 2025년 2월 공개된 「Mind the Gap」은 자율 특성화의 이론적 약속과 지금의 실제 한계 사이에 있는 결정적 간극을 다룬다고 초록에 적었다. 같은 초록은 원자 수준의 복잡한 계를 설명하는 영역 인지형 멀티모달 모델을 저자들의 성과로 내놓으면서도, 실제 환경에서 굳건히 돌아가는 자율성에 닿으려면 더 갖춰야 할 것이 있다고 함께 적었다. 저자 열 명 가운데는 태평양 북서 국립연구소 연구진이 들어 있다.
이 간격은 연구실 살림 문제로만 남지 않았다. 미국 백악관은 2025년 11월 24일 행정명령 14363호로 '제네시스 미션'을 띄웠다. 자율 실험을 연방 과학 전략의 한가운데로 옮겨 놓은 조치다. 다만 행정명령 자체에는 금액이 없고, '가용 예산의 범위에서'라는 단서가 본문에 네 번 붙어 있다. 돈은 뒤따라 붙었다. 에너지부가 12월 11일 3억 2천만 달러 투자를 발표했고, 51개 과제 가운데 14개가 로봇과 자동화 실험실, 대형 실험의 자율 제어에 배정됐다. 2026년 7월에는 50억 달러가 넘는 연방 약속과 278개 과제 선정이 이어졌다.
돈이 붙은 자리를 보면 병목이 어디로 옮겨 갔는지 읽힌다. 모델을 더 키우는 과제가 아니라 실험을 자동으로 돌리고 그 과정을 기록하는 기반에 예산이 걸렸다. 더 큰 모델은 사진을 더 잘 읽게 하지만, 사진 밖의 조건을 대신 적어 주지는 않는다.
후보를 내놓는 일보다 확인하는 일이 어려워졌다
리뷰 논문이 전망으로 꼽은 것은 네 가지다. 파운데이션 모델, AI가 현미경 조작을 이끄는 방식, 폐루프 실험, 그리고 자율 소재 발견이다. 폐루프 실험은 측정 결과가 곧바로 다음 실험 조건으로 되먹임되는 구조를 말한다. 여기까지 가면 현미경은 찍어 둔 사진을 나중에 처리하는 장치가 아니라 실험을 이끄는 장치가 된다.
그 단계에 먼저 가 본 연구자들의 보고가 2026년 7월 13일 나왔다. 스물여덟 명이 함께 쓴 「Toward Trustworthy Autonomous Science」는 자율 과학 로드맵을 한 해 만에 고쳐 쓴 문서다. 다중 에이전트 체계가 실험으로 검증된 가설을 내놨고, 자율 실험실들이 서로 맞물리기 시작했으며, 제네시스 미션이 자율 실험을 미국 연방 과학 전략의 중심에 놓았다고 적었다. 그런데 같은 초록이 반대쪽 흐름도 나란히 적었다. 간판이 될 뻔한 발견 결과 하나가 정정됐고, 닫힌 질문에서 전문가와 겨루는 에이전트가 열린 연구 과제는 일부밖에 끝내지 못한다는 벤치마크가 나왔으며, 주요 학회에 지어낸 인용이 올라왔다.
스물여덟 명이 이 상황을 한 문장으로 묶었다. 발견 후보를 만들어 내는 일은 더 이상 어렵지 않고 그것을 검증하는 일이 어려운데, 이 비대칭이 지금 자율 과학을 모델 성능보다 더 강하게 제약한다는 것이다. 그래서 로드맵은 원래 다섯이던 축을 일곱으로 늘렸다. 가로지르는 관심사로만 두었던 신뢰·검증·재현성과 안전·보안·거버넌스를 각각 독립된 축으로 올렸다.
같은 2026년에 자율 실험실의 다음 세대를 그린 리뷰도 나왔다. 이희승·유혁준·장혜수·박병호·박양정·한상수가 Materials Horizons에 실은 「Toward self-driving laboratory 2.0 for chemistry and materials discovery」인데, 지금 기술을 비판적으로 훑고 완전 자율 발견을 막는 현실의 병목을 짚는 데 분량을 썼다. 한국 연구진이 쓴 글이 2세대 자율 실험실을 가리키는 참조점으로 인용되고 있다.
검증이 어려워진 이유를 데이터에서 되짚으면 앞 절과 같은 자리로 돌아온다. 어떤 결과가 참인지 확인하려면 그 결과가 어떤 조건에서 나왔는지를 알아야 한다. 조건이 적혀 있지 않은 결과는 재현할 수 없고, 재현할 수 없는 결과는 검증할 수 없다. 폐루프가 하루에 수백 건을 돌리기 시작하면 이 문제는 수백 배로 커진다.
여기서 데이터 준비도의 뜻이 한 번 바뀐다. 사람이 데이터를 모으던 시절의 품질 지표는 모은 뒤에 대는 잣대였다. 정확한가, 빠진 칸은 없는가, 서로 어긋나지 않는가를 다 모아 놓고 물었다. 데이터가 초 단위로 생성되면 그 '뒤'가 사라진다. 남는 물음은 하나다. 값이 만들어지는 그 순간에 조건과 장비 상태와 불확실성이 함께 붙는가.
페블러스가 이 전환을 주목하는 이유
이 흐름은 보통 소재과학 뉴스로 읽힌다. 데이터를 다루는 쪽에서 보면 다른 대목이 남는다. 한 분야가 모델 성능으로 풀 수 있는 문제를 거의 다 풀고 나자, 남은 것이 전부 기록의 문제로 드러났기 때문이다. 분할 정확도 99.7%와 가속 배수 6을 얻고도 다음 걸음에서 막히는 지점이 실험 기록이라는 사실은 AI-Ready Data가 무엇을 가리키는 말인지 꽤 선명하게 보여 준다.
현미경 연구가 요구하는 것을 데이터 품질의 말로 옮기면 익숙한 항목이 나온다. 값이 어느 장비의 어느 설정에서 나왔는지 따라갈 수 있을 것, 항목 이름과 단위가 실험실 사이에 합의돼 있을 것, 측정의 불확실성이 값과 함께 기록돼 있을 것. AI 학습용 데이터셋에 요구하는 계보와 스키마와 품질 표기가 그대로다. 현미경 데이터와 학습 데이터가 같은 요구를 받는 것은 우연이 아니다. 둘 다 만든 사람이 아닌 다른 쪽이, 그리고 만든 시점이 아닌 다른 시점에 쓰는 데이터다.
그래서 이 분야에서 무엇을 신호로 볼지도 따라 바뀐다. 아래 셋은 모델 성능표에 올라오지 않고 보도자료에서도 뒤로 밀리는 항목이다. 그래도 사진 밖을 묻는 모델이 언제쯤 가능해질지는 이쪽이 먼저 알려 준다.
- 모델 발표가 아니라 데이터 규격 발표를 본다. 어느 실험실이 어떤 항목을 어떤 이름으로 적기로 했는지가 공개되는 순간이 실제 진전이다.
- 기록이 어느 단계에서 붙는지를 본다. 실험이 끝난 뒤 사람이 채워 넣는 기록과 장비가 생성 시점에 함께 남기는 기록은 이름만 같고 쓸모가 다르다.
- 검증 결과가 공개되는지를 본다. 자율 실험실이 내놓은 후보 가운데 몇 건이 독립적으로 재현됐는지가 가속 배수보다 중요한 숫자가 된다.
페블러스가 데이터를 AI가 쓸 수 있는 상태로 만들 때 값의 정확성만큼 값에 붙은 맥락을 품질 항목으로 두는 것도 같은 이유에서다. 틀린 값은 검사에서 걸린다. 맞는 값인데 어디서 어떤 조건으로 나왔는지 적혀 있지 않은 값은 검사를 통과하고도 다음 단계에서 쓰이지 못한다. 전자현미경이 하루에 수천 장을 뱉어 내는 현장에서 이 둘의 차이는 보관 비용과 발견 속도를 동시에 가른다.
남는 질문은 하나다. 우리 장비가 지금 남기는 기록으로 반년 뒤의 모델이 '왜'를 물을 수 있나. 이 물음에 답하는 일은 더 큰 모델을 기다리는 쪽이 아니라 오늘 기록 양식을 고치는 쪽의 몫으로 남는다.
참고문헌
원 출처
- 1.Toulkeridou, E., Li, J., Lari, L., & Grammatikopoulos, P. (2026). "The evolution of AI from image interpretation toward scientific inference in nanoparticle electron microscopy." arXiv:2607.10388, 2026-07-11. Submitted to Advanced Intelligent Discovery.
자율 현미경·자율 실험실 학술 문헌
- 2.Guinan, G., Salvador, A., Smeaton, M. A., Glaws, A., Egan, H., Wyatt, B. C., Anasori, B., Fiedler, K. R., Olszta, M. J., & Spurgeon, S. R. (2025). "Mind the Gap: Bridging the Divide Between AI Aspirations and the Reality of Autonomous Characterization." arXiv:2502.18604, 2025-02-25.
- 3.Yang, J., et al. (2025). "Zero-shot Autonomous Microscopy for Scalable and Intelligent Characterization of 2D Materials." arXiv:2504.10281. ACS Nano, doi:10.1021/acsnano.5c09057.
- 4.Canty, R. B., Bennett, J. A., Brown, K. A., Buonassisi, T., Kalinin, S. V., Kitchin, J. R., Maruyama, B., Moore, R. G., Schrier, J., Seifrid, M., Sun, S., Vegge, T., & Abolhasani, M. (2025). "Science acceleration and accessibility with self-driving labs." Nature Communications.
- 5.Adesiji, A. D., Wang, J., Kuo, C.-S., & Brown, K. A. (2025). "Benchmarking Self-Driving Labs." arXiv:2508.06642, 2025-08-08.
- 6.Ferreira da Silva, R., Abolhasani, M., Beaucage, P., Biven, L., Bussmann, M., Chard, K., et al. (2026). "Toward Trustworthy Autonomous Science: A Two-Year Community Roadmap." arXiv:2607.12113, 2026-07-13.
- 7.Lee, H., Yoo, H. J., Jang, H. S., Park, B., Park, Y. J., & Han, S. S. (2026). "Toward self-driving laboratory 2.0 for chemistry and materials discovery." Materials Horizons, 13(10), 4712–4739.
정책·보도
- 8.The White House. (2025). "Launching the Genesis Mission." Executive Order 14363, 2025-11-24 서명, 2025-11-28 공개.
- 9.ExecutiveGov. (2025). "DOE Announces $320M Investment to Advance Genesis Mission AI." 2025-12-11.