▲ 서울대 기계공학부 윤병동 교수 [출처=서울대 공과대학]서울대(총장 유홍림)에 따르면 2026년 9월2일 공과대 기계공학부 윤병동 교수 연구팀이 제조 현장의 데이터 수집부터 추론과 의사결정, 물리적 실행까지 전 과정을 인공지능(AI)으로 연결하는 ‘풀스택 AI 팩토리’ 구축에 본격 나섰다.윤병동 교수 연구팀의 ‘풀스택 AI 팩토리를 위한 제조 업무(x) 특화형 파운데이션 모델’ 과제는 2026년도 리더연구 유형A에 최종 선정됐다.연구팀은 2026년 6월부터 9년간 제조 업무에 특화된 파운데이션 모델을 개발한다. 이를 실제 제조라인에 적용해 제조 자율화의 기반을 마련할 계획이다.◇ 확산되는 파운데이션 모델, 그러나 비어 있는 ‘제조 도메인’파운데이션 모델은 대규모 데이터를 미리 학습한 뒤 여러 업무에 활용할 수 있는 범용 AI 모델이다. 최근 GPT와 Gemini 같은 텍스트 모델, Sora와 같은 이미지·영상 모델을 비롯해 Chronos와 TimesFM 등 시계열 데이터를 처리하는 모델까지 활용 범위가 빠르게 넓어지고 있다.그러나 고주파 진동·전류 신호, 공정 이력, 비전 데이터가 복합적으로 존재하는 제조 도메인에는 이를 아우르는 범용 파운데이션 모델이 부재한 실정이다.제조 데이터는 공정·설비·센서별로 표현 방식이 이질적이고 자연어처럼 명시적인 의미 구조를 갖지 않아 AI 학습에 그대로 활용하기 어렵다.문제별로 분절된 모델은 개발과 관리에 한계가 있으며, 여러 형태의 데이터를 하나의 모델에 통합할수록 AI가 어떤 근거로 판단했는지 설명하기 어려워지는 문제도 있다. 작업자가 처리해야 하는 정보량과 설비 인프라의 물리적 한계도 AI 적용의 걸림돌로 작용해 왔다.◇ 2단계에 걸친 end-to-end 풀스택 AI 팩토리 구현연구팀은 이러한 한계를 해결하기 위해 제조 업무 특화형 파운데이션 모델인 ‘MxFM(Manufacturing x Foundation Model)’을 개발한다.MxFM은 다양한 제조 데이터를 통합적으로 학습해 품질과 정비, 안전 등 여러 제조 업무에 활용할 수 있도록 설계되는 AI 모델이다.연구는 2단계로 진행된다. 1단계에서는 AI가 제조 데이터를 이해하고 여러 업무에 활용할 수 있도록 ‘제조 업무 특화형 파운데이션 모델’을 구축한다.먼저 제조 데이터를 △공정 단계 △작업 이벤트 △설비 상태 △센서 역할 △업무 목적 등 다섯 가지 기준으로 다시 정의한다.데이터의 관계를 계층적으로 정리한 메타데이터 구조와 설비·센서별 편차를 보정하는 체계를 마련해 별도의 복잡한 전처리 없이 AI 학습에 활용할 수 있는 ‘AI-Ready 제조 데이터’ 체계를 정립한다.이어 고주파 신호 특성을 반영한 데이터 생성 모델과 물리 정합성 검증 기술로 희소한 이상·고장(edge/corner) 시나리오까지 포괄하는 전 운전영역(full-regime) 데이터를 확보할 계획이다.이러한 데이터 체계를 바탕으로 전문가 혼합 구조(MoE, Mixture of Experts)를 적용한 제조 업무 특화형 파운데이션 모델을 개발한다.전문가 혼합 구조는 하나의 모델 안에 서로 다른 영역을 담당하는 여러 전문 모델을 두고, 입력된 데이터와 업무에 따라 필요한 모델을 선택해 활용하는 방식이다.연구팀은 고주파·저주파 시계열 데이터와 이미지 등 각 데이터가 가진 물리적 특성을 유지하면서도 하나의 공통된 표현 공간에서 처리할 수 있도록 정렬한다.업무의 맥락을 나타내는 태그 정보를 이용해 품질과 정비, 안전 등 업무별 학습 영역을 구분함으로써 모델의 해석성도 확보한다.또한 어떤 전문가가 판단에 주로 기여했는지를 추적함으로써 AI의 판단 근거를 보다 투명하게 제시할 수 있는 설명성 내재형 모델을 개발한다.단순히 결과만 출력하는 모델을 넘어 판단 과정과 이유를 확인할 수 있는 설명성 내재형 제조 AI 모델을 개발한다는 구상이다.이미지와 저주파 데이터 영역에는 기존 범용 파운데이션 모델을 전략적으로 활용하고, 연구팀은 제조 현장의 핵심 데이터인 고주파 신호를 처리하는 원천기술 개발에 연구 역량을 집중한다.2단계에서는 MxFM을 실제 제조 업무에 적용해 데이터 수집부터 판단과 실행까지 이어지는 풀스택 AI 팩토리를 구현한다.연구팀은 품질 분류와 설비 복원, 안전을 위한 객체 인식 등 제조 업무별 어댑터를 MxFM에 결합한다. 하나의 기반 모델에 업무별 기능을 추가해 여러 제조 업무에 특화하는 방식이다.모델의 분석 결과를 바탕으로 판단 근거와 조치 우선순위까지 제시하는 제조 의사결정 에이전트도 구축한다. 연구팀은 모델의 성능 저하를 최소화하면서 설명성을 유지하는 경량화 기술을 적용해 서버와 엣지, 온디바이스를 포괄하는 다중 스케일 실행 구조를 구현할 계획이다.실증에서는 AI 모델의 추론 성능뿐 아니라 실제 제조라인에서 판단 결과를 실행할 수 있는지까지 단계적으로 평가한다. 농심과 시너스텍, 대구기계부품연구원 등 협력 기업·기관의 제조라인을 대상으로 기술을 검증할 예정이다.◇ 분절된 제조 AI를 넘어 ‘제조 자율화’로이번 연구는 데이터와 모델, 의사결정, 실행이 분절돼 있던 기존 제조 AI 구조를 하나로 연결하는 것을 목표로 한다. 데이터 수집부터 물리적 실행까지 이어지는 엔드투엔드(end-to-end) 풀스택 AI 체계를 구축해 제조 현장의 자율화를 위한 기반을 마련한다는 구상이다.이번 연구를 이끄는 윤병동 교수는 제조 AI의 원천기술 개발부터 산업 현장 적용까지 연구 범위를 확장해 왔다. 현재까지 산학협력 과제 총 95건(완료 86건, 진행 9건, 총 연구비 약 250억 원)을 수행했다.Reliability Engineering & System Safety(RESS), Mechanical Systems and Signal Processing(MSSP), International Journal of Mechanical Sciences(IJMS) 등 제조 시스템 분야 국제학술지에 다수의 SCI 논문을 게재했다.윤 교수는 연구 성과를 산업 현장으로 확장하기 위해 2016년 산업 AI 예지보전 기업 원프레딕트(ONEPREDICT)를 설립했다. 원프레딕트의 솔루션은 LG에너지솔루션과 GS칼텍스, 한국항공우주산업, 한국전력공사 등의 현장에 적용됐다.윤 교수는 2024년 Forbes Korea A150에 선정됐으며, 2025년부터 산업통상부 AI 팩토리 Manufacturing AX 얼라이언스 프로젝트 공동위원장으로 국가 차원의 제조 AI 전략을 주도하고 있다.※ 참고 자료· 과제명 : 풀스택 AI 팩토리를 위한 제조 업무(x) 특화형 파운데이션 모델· 지원사업 : 2026년도 리더연구(유형A)· 수행기간 : 2026년 6월 ~ 2035년 2월(총 9년)· 주관기관 연구책임자 : 서울대 기계공학부 윤병동 교수

▲ 멀티모달 문헌 마이닝으로 구축한 데이터와 물리 지식을 학습한 머신러닝 모델이 방대한 무연 유전체 조성 공간을 탐색하고, 후보 소재를 실험으로 검증하는 과정을 형상화한 이미지 [출처=서울대학교 공과대학]서울대(총장 유홍림)는 2026년 8월18일 공과대학 재료공학부 장호원 교수 연구팀이 논문 속 데이터와 물리 기반 머신러닝을 결합해 무연 유전체를 설계하는 기술을 개발했다고 밝혔다.이번 연구는 송관우 석박사통합과정생이 제1저자로 연구 전반을 주도했다. 김영민 석박사통합과정생과 김재현 박사후연구원이 공동 연구에 참여했다.유전체는 전기가 바로 흐르지 않도록 막으면서 전하를 저장하는 절연 소재로 스마트폰과 전기차 등에 사용되는 적층세라믹콘덴서(MLCC)의 핵심 재료다.유전율이 높을수록 같은 크기의 부품으로 더 많은 전기를 저장할 수 있다. 높은 온도에서도 성능이 안정적으로 유지돼야 실제 전자기기에 적용할 수 있다.연구팀은 논문 본문·표·그래프에 분산된 정보를 자동으로 추출하는 ‘멀티모달 문헌 마이닝’과 물리 기반 머신러닝을 결합해 목표 성능을 만족할 가능성이 높은 조성을 먼저 찾아내는 역설계 기술을 구현했다.448편의 논문에서 1202건의 유전 특성 데이터를 구축한 뒤 약 1억5000만 개의 가상 조성 공간을 탐색해 37개 후보를 선별했고, 이 가운데 두 조성을 실제 합성해 높은 유전율과 우수한 고온 안정성을 확인했다.이번 연구 결과는 세계적 권위의 국제학술지 ‘Nature Communications’에 게재됐다.전기차와 전력전자, 항공우주 장비처럼 높은 온도에서 작동하는 전자기기가 늘면서 온도 변화에도 성능이 안정적인 유전체 소재의 중요성이 커지고 있다.특히 온도에 따른 전기적 반응이 비교적 완만하게 변하는 완화형 강유전체(relaxor)는 높은 유전율과 넓은 온도 범위의 안정성을 함께 구현할 가능성이 있다.하지만 납을 사용하지 않는 조성만 놓고도 원소의 종류와 혼합비에 따라 후보가 사실상 무한대에 가까워 시행착오 방식으로는 탐색에 많은 시간과 비용이 필요하다.또한 관련 데이터는 논문마다 본문·표·그래프에 흩어져 있고, 온도·주파수·시료 등 측정 조건도 달라 머신러닝 학습에 바로 활용하기 어렵다.이에 연구팀은 여러 논문에 분산된 정보를 하나의 형식으로 통합하고, 실제 존재 가능한 소재만 선별하도록 물리 법칙을 함께 반영한 머신러닝 체계를 구축했다.연구팀은 대규모 언어모델을 활용해 논문 본문과 표에서 조성과 공정 조건을 정리하고, 그래프를 수치 데이터로 변환해 온도별 유전 특성을 읽어냈다.이를 통해 448편의 논문에서 1202건의 조성·공정·유전 특성 데이터를 구축했다. 여기에 원소 조성과 미세구조 등 22개의 물리 지표를 함께 반영해 서로 다른 문헌에 흩어진 정보를 하나의 학습 데이터로 통합했다.이어 서로 다르게 학습된 30개 머신러닝 모델을 결합해 유전율과 온도 안정성에 관한 세 가지 핵심 지표를 동시에 예측했다. 또한 모델 간 예측의 일치도를 평가해 예측 신뢰도가 높은 후보를 우선 선별하도록 설계했다.약 1억5000만 개의 가상 조성 공간에 사전에 설정한 성능 목표와 물리·화학 조건을 차례로 적용한 결과, 연구팀은 37개 후보군으로 탐색 범위를 좁혔다. 이후 후보가 가장 많이 남은 조성 계열에서 성분 비율을 정밀하게 조정해 실험 대상 두 조성을 선정했다.실험 결과, 주석(Sn)을 1mol%와 2mol% 치환한 두 시료는 상온에서 각각 3422와 3307의 높은 유전율을 나타냈다. 소량의 Sn 치환은 유전율을 크게 낮추지 않으면서 온도 안정성을 높이는 절충점을 형성했다.또한 현재 적층세라믹콘덴서에 널리 사용되는 티탄산바륨(BaTiO₃)과 비교했을 때 더 넓은 온도 범위에서 높은 유전율을 안정적으로 유지하는 것으로 확인됐다.2개 시료는 적층세라믹콘덴서 국제 규격(X5R·X6R·X7R)의 고온 안정성 기준을 모두 만족했으며, 같은 계열의 기존 문헌 데이터와 비교해도 가장 높은 수준의 유전율을 기록했다.* X5R·X6R·X7R: 적층세라믹콘덴서용 유전체가 통상 영하 55℃부터 각각 85℃·105℃·125℃까지 25℃ 기준 유전율 변화율을 ±15% 이내로 유지하는지를 나타내는 온도 안정성 등급연구팀은 머신러닝의 판단 근거와 압전반응힘 현미경, 라만분광법, 원자분해능 전자현미경 분석 결과를 종합했다. 그 결과, 소량의 Sn 첨가가 결정 골격을 넓히고 원자 규모의 전기적 불균일성을 증가시켜 온도 안정성을 높인다는 작동 원리를 규명했다.이번 연구는 논문 곳곳에 흩어진 데이터를 AI로 통합·분석해 새로운 소재를 설계하는 연구 방법을 실증했다는 점에서 의미가 있다.연구팀은 이 방법이 기능성 산화물과 박막처럼 데이터가 여러 문헌에 분산된 다양한 소재 개발에도 활용될 수 있을 것으로 보고 있다.이번에 검증한 무연 유전체는 고온용 적층세라믹콘덴서를 비롯해 전기차, 전력전자, 항공우주용 전자부품 개발에 활용될 것으로 기대된다.장호원 교수는 “이번 연구는 머신러닝으로 성능을 예측하는 데 그치지 않고, 여러 논문에 흩어진 정보를 학습 데이터로 통합한 뒤 물리 법칙과 모델 간 예측의 일관성을 함께 따져 실제 합성 후보까지 좁혔다는 점에서 의미가 있다”고 밝혔다.이어 “이번에 제시한 멀티모달 문헌 마이닝과 물리 기반 머신러닝의 결합 전략이 유전체에 그치지 않고, 데이터가 여러 논문과 형식에 흩어져 있어 체계적인 통합이 필요한 다른 기능성 산화물과 박막 소재의 후보 탐색에도 확장되기를 기대한다”고 말했다.이번 연구의 제1저자인 송관우 석박사통합과정생은 문헌 데이터 구축부터 머신러닝 모델 개발, 후보 소재 선별, 실험 검증까지 연구 전 과정을 주도했다.현재 머신러닝 기반 신소재 탐색 연구를 수행하며 무연 유전체와 적층세라믹콘덴서용 신규 조성, 반도체 트랜지스터용 산화물 채널 소재 등 다양한 전자재료 분야로 연구를 확장하고 있다. 향후 이러한 연구 경험을 바탕으로 고성능 전자재료와 유전체 연구개발을 이어갈 계획이다.한편 장호원 교수 연구팀은 김재현 박사후연구원이 제1저자로 참여한 연구에서 AI를 활용해 그린수소 생산을 위한 텅스텐 단일원자 기반 비귀금속 수전해 촉매를 발굴하고 실험적으로 검증한 바 있다. 해당 연구 역시 국제학술지 ‘Nature Communications’에 게재됐다.이번 연구는 국가과학기술연구회(NST)·과학기술정보통신부(MSIT)(GTL25021-230), 한국연구재단(NRF)·과학기술정보통신부(MSIT)(RS-2024-00421181), 과학기술정보통신부(MSIT) InnoCORE 사업(1.250021.01), 나노 및 소재기술개발사업(NRF·MSIT)(RS-2024-00405016)의 지원을 받아 수행됐다.※ 참고 자료- 논문명/저널: Machine-learning-guided inverse design of lead-free relaxors enabled by multimodal literature mining- DOI: 10.1038/s41467-026-74376-3