최근 구글 리서치는 대형언어모델(LLM)이 초전도체 연구 질문에 얼마나 제대로 답하는지 평가한 결과를 공개했습니다. 결론부터 말하면, "똑똑해 보이는 답"과 "과학적으로 믿을 만한 답"은 꽤 다르다는 점이 드러났습니다1.
특히 고온 초전도체처럼 아직 정답이 확정되지 않은 분야에서는, LLM의 말솜씨보다 자료의 질과 검증 방식이 더 중요했습니다. 이번 글에서는 LLM과 초전도체 연구가 어디까지 만날 수 있는지, 그리고 왜 '잘 훈련된 AI'보다 '잘 큐레이션된 AI'가 더 강했는지 쉽게 풀어보겠습니다.
LLMs in superconductivity research, 왜 어려운가
초전도체는 전기 저항이 0이 되고 자기장을 밀어내는 특별한 물질입니다. 1911년 처음 발견됐고, 1986년 이후 구리 산화물 계열의 고온 초전도체가 등장하면서 연구가 폭발적으로 늘었습니다23.
문제는 여기서부터입니다. 고온 초전도체, 특히 쿠프레이트의 작동 원리는 아직도 논쟁 중입니다. 수천 편의 논문이 쌓였고, 경쟁하는 이론도 많습니다. 이런 분야는 단순한 사실 암기형 AI보다, "어떤 가설이 현재도 유효한가"를 구분하는 AI가 필요합니다.
즉 초전도체 연구에서 LLM 활용은 검색 문제가 아니라 판단 문제에 가깝습니다. 이미 반박된 가설과 아직 살아 있는 이론을 구분하지 못하면, 답변은 그럴듯해도 연구 조언으로는 위험할 수 있습니다.
초전도체 연구 질문 테스트, 무엇을 봤나
구글과 공동 연구진은 고온 초전도체 전문가들이 만든 67개 질문으로 6개 LLM을 평가했습니다. 질문은 "LSCO에서 Lifshitz 전이는 어느 도핑 수준에서 나타나는가?"처럼 대학원 세미나급이었습니다1.
흥미로운 점은 데이터 소스 차이였습니다. 일부 모델은 웹 전체를 참고했고, 다른 일부는 전문가가 고른 리뷰 논문과 실험 문헌 중심의 폐쇄형 자료 묶음을 사용했습니다. 평가 기준도 단순 정답률이 아니라 균형성, 포괄성, 간결성, 근거 제시, 시각 자료 적절성까지 포함됐습니다1.
결과는 꽤 선명했습니다. 큐레이션된 문헌에 기반한 NotebookLM과 맞춤형 RAG 시스템이 전반적으로 더 높은 평가를 받았습니다. 반대로 웹 기반 모델은 검증된 설명과 추측성 이론을 섞는 경향이 있었습니다1.
고온 초전도체 연구에서 AI가 헷갈리는 지점
왜 이런 차이가 났을까요. 초전도체 연구는 "최신 정보"만 많다고 해결되지 않기 때문입니다.
예를 들어 고온 초전도체 분야는 압력, 도핑, 결정 구조, 전자 상호작용 같은 변수가 얽혀 있습니다. 최근에는 압력 급랭으로 Hg 기반 쿠프레이트의 임계온도를 상압에서 151K까지 끌어올린 연구도 나왔고45, MIT는 테라헤르츠 현미경으로 초전도 전자의 집단 진동을 직접 관측했다고 발표했습니다6. 이런 결과는 단순 뉴스 요약이 아니라, 기존 이론과 어떻게 연결되는지가 중요합니다.
LLM은 여기서 자주 미끄러집니다. 표와 이미지 해석이 약하고, "예전엔 유력했지만 지금은 힘이 빠진 설명"을 걸러내는 시간 감각도 부족합니다1. 과학 논문에서 진짜 핵심은 본문 한 줄보다 그래프 축, 캡션, 보조 데이터에 숨어 있는 경우가 많은데, 이 부분이 아직 약한 셈입니다.
신뢰할 수 있는 AI 연구 도우미의 조건
그렇다고 비관할 필요만은 없습니다. 오히려 방향은 분명해졌습니다. 초전도체 연구에서 좋은 AI는 인터넷 박식함보다, 검증된 문헌을 바탕으로 균형 있게 설명하는 능력이 중요합니다.
앞으로 유망한 조합은 세 가지입니다. 먼저 전문가가 고른 문헌 묶음입니다. 다음은 검색증강생성(RAG)처럼 출처를 따라가게 만드는 구조입니다. 마지막은 표, 그림, 실험 데이터까지 읽는 멀티모달 추론입니다.
여기에 머신러닝 기반 신소재 탐색도 붙고 있습니다. 최근에는 결정 구조와 원소 특성을 함께 보는 해석 가능한 모델이 새로운 초전도체 후보를 예측하고, 실제로 PtPb3Bi 초전도성을 확인한 사례도 나왔습니다7. 즉 LLM은 "문헌 이해", ML은 "후보 발굴"에 강점을 가지며, 둘이 합쳐질 가능성이 큽니다.
시사점
LLM을 초전도체 연구에 쓰는 시대는 이미 시작됐습니다. 하지만 중요한 건 모델 이름이 아니라, 어떤 자료를 먹였고 어떤 방식으로 검증했는가입니다.
학생이라면 AI 답변을 '최종 해설'이 아니라 '출발점'으로 쓰는 것이 안전합니다. 연구자라면 웹 검색형 모델보다 출처가 통제된 도구를 우선 검토할 만합니다. 그리고 서비스 개발자라면, 과학 분야에서는 화려한 문장 생성보다 근거 추적과 시점 판단이 경쟁력이 될 가능성이 큽니다.
한마디로 정리하면 이렇습니다. 초전도체처럼 어려운 질문 앞에서, 똑똑한 AI보다 믿을 수 있는 AI가 더 필요합니다.
참고
1Testing LLMs on superconductivity research questions
2Superconductivity - Wikipedia
3High-temperature superconductivity - Wikipedia
4A New Road Map to Room Temperature Superconductors | UC Davis
5Pressure quench increases superconducting transition temperature
6MIT scientists finally see hidden quantum "jiggling" inside superconductors
7Electron affinity difference distributions guide the discovery of the superconductor PtPb3Bi
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.