자연대 학생기자단 자:몽 9기 | 강서연
 

*소속: 화학부
*연구분야: 물리화학, 고분자/재료화학, 이론/계산, 에너지/환경
*E-mail: sangsoo@snu.ac.kr
*Tel: 02-880-1456
 

   최근 인공지능은 빠른 속도로 발전하며 과학자의 연구 방식까지 변화를 가져오기 시작했다. 지난 9월 서울대학교 화학부에 새로 부임한 한상수 교수님은 AI와 자동화 기술, 분자 시뮬레이션을 결합해 실험의 조건을 스스로 결정하고 수행하는 ‘자율화학실험실(Self-driving Laboratory)’을 연구한다. 계산화학을 통한 예측과 실제 실험 사이의 간극을 줄이는 고민에서 출발해, 이제는 AI가 다음 실험을 판단하고 로봇이 이를 수행하는 새로운 연구 환경을 그리고 있다. 새로운 연구에 끊임없이 도전해 온 그의 연구 여정과 AI 시대의 과학자가 나아갈 길에 대해 이야기를 나누었다.
 

화학부 신임교수 한상수 교수님 (사진 = 한상수 교수님 제공)
 
 

1. 먼저 간단한 자기소개와 서울대학교 화학부에 부임하신 소감을 부탁드립니다.
 

   올해 9월부터 서울대학교 화학부에서 교수로 일하게 된 한상수입니다. 한양대학교 신소재공학과에서 학사와 석사를 마치고, KAIST 신소재공학과에서 박사학위를 받았습니다. 이후 미국 Caltech에서 약 3년간 박사후연구원으로 지냈고, 한국표준과학연구원에서 약 4년, KIST에서 13년 정도 연구했습니다. 연구소에서 오랫동안 일하다가 이번에 처음으로 교수 생활을 시작하게 됐습니다.
 
   연구소에서 학교로 오게 된 것도, 신소재공학 분야에서 화학 분야로 연구 환경이 바뀐 것도 저에게는 모두 큰 변화예요. 그래서 개인적으로는 처음 독립적인 연구를 시작했을 때처럼 다시 젊은 시절로 돌아간 듯한 설렘을 느끼고 있습니다. 동시에 서울대학교라는 곳에서 교수 생활을 시작하는 만큼 책임감과 부담도 큽니다. 저에게 기대하는 바가 있을 테니, 그 기대에 잘 부응하고 싶습니다.
 

2. 오랜 기간 정부출연연구기관에서 연구하셨는데, 대학으로 자리를 옮기게 된 특별한 계기가 있으신가요?
 

   가장 큰 이유는 훌륭한 학생들과 함께 연구해 보고 싶다는 생각이었습니다. 좋은 학생들과 함께 연구한다면 제가 그동안 막연하게 생각해 왔던 것보다 더 크고 좋은 연구를 할 수 있겠다는 기대가 있었어요. 또 하나는 앞으로 융합 연구의 중요성이 훨씬 커질 것이라고 생각하기 때문입니다. 저는 AI를 활용한 연구를 하고 있는데, 아시다시피 AI의 발전 속도가 굉장히 빠릅니다. 그리고 앞으로는 융합 연구가 훨씬 중요해질 것이라고 느꼈는데, 화학부 안에도 매우 다양한 연구 분야가 있고 훌륭한 교수님들이 계시기 때문에 여러 분야와 함께 연구할 기회가 많다고 생각했습니다. AI가 앞으로 화학이라는 분야에 어떤 변화를 가져올지, 그 방향을 선도하는 연구를 해보고 싶었습니다. 변화가 일어날 때 가만히 있으면 결국 그 변화에 휩쓸릴 수밖에 없습니다. 반대로 누군가는 새로운 방향을 제시하고 그 변화를 이끌어 가죠. 화학과 AI가 만나는 분야에서 그런 역할을 해보고 싶다는 생각이 컸습니다.
 

3. 현재 ‘자율화학실험실’을 연구하고 계십니다. 교수님의 연구가 자율 실험으로 이어지기까지의 과정이 궁금합니다.
 

   저는 원래 계산과학을 기반으로 연구했던 사람입니다. 박사과정에서는 양자역학 계산과 분자동역학 시뮬레이션 등을 이용해 나노 재료를 연구했고, 이후에도 오랫동안 계산 연구를 계속했습니다.그러다 2016년부터 AI 연구를 시작했습니다. 당시에는 재료 분야에서 AI를 활용하는 연구가 아직 초창기였어요. 처음에는 기존 계산과학이 가진 한계를 AI를 이용해 보완하는 방법을 연구했습니다.
 
   그런데 실험 연구자들과 공동 연구를 많이 하면서 한 가지 문제를 계속 느꼈습니다. 계산과학이 많은 발전을 이루었지만, 여전히 계산과 실험 사이에는 여전히 상당한 간극이 있다는 것을 계속 느꼈습니다. 계산으로는 좋은 소재라고 예측됐는데 실제로 합성해 보면 제대로 구현되지 않는 경우가 굉장히 많거든요. 그래서 ‘앞으로의 연구는 계산과 실험 사이의 간극을 줄이는 방향으로 가야 하지 않을까?’라고 생각하게 되었습니다. 그러던 중 자율 실험실이라는 개념을 접했고, 2019년부터 본격적으로 연구하기 시작했습니다.
 

4. 그렇다면 '자율 실험실'은 정확히 무엇인가요? 자동화 실험실과는 어떻게 다른지도 궁금합니다.
 

   한마디로 설명하면 AI와 로봇이 소재의 합성부터 분석까지 스스로 수행하는 실험실입니다. 연구자는 자신이 원하는 목표 물성만 제시하면,  AI가 그 물성을 얻기 위한 최적의 실험 조건을 판단하고, 그 판단에 따라 로봇이 직접 실험하는 거죠.
 
   많은 분들이 자율 실험실과 자동화 실험실을 혼동하시는데 차이가 있습니다. 둘 다 자동화 장치와 로봇을 이용해 실험한다는 점은 같습니다. 하지만 자동화 실험실에서는 ‘어떤 조건에서 실험할 것인가’를 여전히 사람이 결정합니다. 사람이 정한 조건을 로봇이 반복해서 수행하는 것이죠.
 
   반면 자율 실험실에서는 그 실험 조건 자체를 AI가 결정합니다. 결국 실험 조건에 대한 의사결정권을 사람이 가지고 있느냐, AI가 가지고 있느냐가 가장 큰 차이입니다. 자율주행 자동차를 떠올리면 이해하기 쉽습니다. 자율주행 자동차에서는 사람이 목적지만 입력하면 AI가 최적의 경로를 찾아 자동차를 움직입니다. 자율 실험실도 비슷합니다. 연구자가 원하는 목표를 정하면 AI가 그 목표에 도달하기 위한 실험 방법을 찾고, 로봇이 실제 실험을 수행한다고 생각하시면 됩니다.
 

5. 현재 자율 실험실은 어느정도까지 구현되어 있나요?
 

   제가 주로 연구했던 나노입자 촉매를 예로 들어볼 수 있습니다. 새로운 촉매를 개발하려면 먼저 소재를 설계하고, 합성하고, 전처리한 뒤 최종적으로 물성을 평가해야 합니다. 현재는 이 가운데 합성-전처리-분석 과정을 하나의 자동화된 과정으로 연결하는 단계까지 구현할 수 있습니다. 로봇이 용액을 주입해 나노입자를 합성하고, 이동형 로봇이 시료를 다른 장치로 옮겨 원심분리 등의 전처리를 진행한 뒤, 다시 분석 장치로 옮겨 촉매 성능까지 평가합니다.
 
   그런데 사실 눈에 보이는 로봇보다 더 중요한 것이 있습니다. 이 과정에서 나온 합성 조건과 물성 등의 데이터가 모두 컴퓨터에 축적된다는 점입니다. AI가 그 데이터를 분석해 ‘다음에는 어떤 조건에서 실험하면 좋을지’를 결정하면 다시 두 번째 실험이 시작됩니다. 한 번에 최적의 소재를 찾지 못한다면 이 과정을 반복하면서 점점 더 좋은 조건을 찾아가는 거죠.
 
   아직은 소재 자체를 처음 설계하는 과정과 자율 실험 과정이 완전히 하나로 연결돼 있지는 않습니다. 궁극적으로는 소재 설계부터 합성, 분석, 다음 소재의 결정까지 전부 하나의 순환 구조 안에서 이루어지도록 만드는 것이 목표입니다.
 

6. 최근 발표하신 'SPACESHIP'연구 역시 이러한 목표와 연결되는 것인가요?
 

   기존 자율 실험실 연구를 보면 사실 사람이 어느 정도 사전 정보를 제공하는 경우가 많습니다. 예를 들어 어떤 소재를 합성할 때 연구자가 이미 경험적으로 ‘이 정도 범위에서는 합성이 가능하다’라는 것을 알고 있고, 그 범위 안에서 AI가 가장 좋은 조건을 찾도록 하는 식입니다. 그런데 정말 새로운 소재를 발견하려고 한다면 그런 사전 정보 자체가 없을 수 있습니다. 어떤 조건에서 합성이 되고 어디에서는 되지 않는지를 우리가 모르는 것이죠. 
 
   SPACESHIP 연구에서는 이러한 초기 제약을 줄이고, AI가 실험을 하면서 어떤 영역에서 실제 합성이 가능한지를 스스로 파악하도록 하는 것을 목표로 했습니다. 쉽게 말하면 기존에는 사람이 “이 안에서 찾아봐”라고 범위를 정해 주었다면, 이제는 범위를 미리 알려주지 않고 “네가 직접 합성 가능한 영역을 찾아봐”라고 하는 것입니다. 앞으로 완전히 새로운 소재를 발견하려면 결국 이런 능력이 중요해질 것이라고 생각합니다.
 

7. 자율 실험 기술이 더욱 발전하면 화학자의 연구 방식도 크게 달라질 것 같습니다. AI 시대에 인간 과학자에게 중요한 역할은 무엇일까요?

   저도 계속 고민하고 있는 질문이고 아직 명확한 답이 있다고 생각하지는 않습니다. 다만 비교적 단순하고 작은 문제들은 앞으로 AI가 상당 부분 해결할 것 같습니다. 그렇다면 인간 연구자에게 먼저 중요해지는 것은 실험에서 얻어진 데이터의 의미를 읽어내는 능력이라고 생각합니다. 자율 실험실에서 실험 자체는 로봇이 수행하더라도, 수많은 데이터를 분석하면서 그 안에 숨어 있는 새로운 상관관계나 화학적 법칙을 찾아내는 것은 중요한 연구가 됩니다.
 
   그때는 결국 화학에 대한 깊은 전문 지식이 필요합니다. 같은 데이터를 보더라도 자신이 얼마나 알고 있느냐에 따라 발견할 수 있는 것이 달라지기 때문입니다. 말 그대로 ‘아는 만큼 보이는’ 것이죠. 또 하나는 좋은 질문을 만드는 능력입니다. 작은 문제들이 AI에 의해 빠르게 해결될수록 과학자는 더욱 크고 도전적인 문제를 정의해야 합니다. 그런데 그런 큰 문제는 혼자서 풀기 어렵습니다.
 
   그래서 저는 앞으로 연구자에게 각자의 전문성을 바탕으로 다른 분야의 연구자와 소통하고 협업할 수 있는 능력이 훨씬 중요해질 것 같습니다. 각자 다른 전문 지식을 가진 사람들이 열린 마음으로 소통할 때, 혼자서는 생각하지 못했던 새로운 질문이 나올 수 있으니까요.
 

8. 교수님께서는 학부생 시절부터 지금과 같은 연구자의 길을 생각하고 계셨나요?
 

   사실 학부 2학년 때까지는 공부를 그렇게 열심히 하지는 않았습니다. 3학년 무렵부터 좀 더 열심히 하기 시작했고, 대학원에 진학한 뒤에는 연구를 정말 열심히 했던 것 같아요. 돌이켜보면 저는 남들이 이미 하고 있는 것을 그대로 따라가는 것보다 새로운 것을 해보는 것을 좋아했던 것 같습니다. 박사과정 때 제가 들어간 연구실은 원래 계산과학을 하는 연구실이 아니었는데 제가 계산 연구를 새롭게 시작했습니다. 이후 KIST에서도 국내에서 자율 실험실 연구가 거의 없던 시기에 이 연구를 시작했고요.이번에도 오랫동안 연구소에서 일하다가 새로운 환경인 대학으로 옮겨 왔습니다. 결국 저는 뭔가 새로운 것을 시도하고 처음 해보는 일을 좋아하는 사람이었던 것 같습니다.
 
   대학원에 진학한 계기 자체는 그렇게 거창하지 않았습니다. 제가 대학을 졸업할 무렵에는 IMF 외환위기의 영향으로 취업하기가 쉽지 않았어요. 제 의지도 있었지만 당시 상황의 영향도 받아 대학원에 진학했습니다. 그런데 막상 연구를 시작해 보니 저와 잘 맞았습니다. 새로운 것을 알아내고 그것을 논문으로 만들어 가는 과정이 재미있었어요. 처음부터 완벽하게 진로를 계획했던 건 아니지만, 제가 선택한 길을 걸어가면서 좋아하는 일을 발견하게 되었습니다.
 

9. 새로운 연구에 계속 도전해오셨는데, 연구가 뜻대로 풀리지 않을 때도 많았을 것 같습니다. 그럴 때는 어떻게 극복하셨나요?
  

   2019년에 자율 실험실 연구를 처음 시작했을 때가 기억납니다. 당시에는 개념 자체가 생소했기 때문에 “기존 자동화 실험실과 무엇이 다르냐”라는 질문도 많이 받았습니다. 그런데 더 어려웠던 것은 개념을 설명하는 문제가 아니었어요. 자율 실험실 이야기를 하면 “사람의 일자리를 빼앗는 연구 아니냐”, “대학원생이 직접 실험하는 기회를 없애는 연구 아니냐”라면서 이런 연구를 해서는 안 된다는 반응도 있었습니다.
 
   새로운 연구를 시작하려면 다른 사람들을 설득해야 하는데, 당시에는 반대 의견이 있으니 쉽지 않았습니다. 그래도 저는 결국 연구 환경이 이런 방향으로 변화할 것이라는 확신이 있었습니다. 계산과 실험 사이의 간극이라는 연구적인 문제도 있었고, 우리 사회의 인구 감소와 같은 변화까지 생각하면 자율화는 앞으로 반드시 필요해질 것이라고 생각했습니다.
 
   그 확신이 있었기 때문에 계속 연구할 수 있었던 것 같습니다. 새로운 일을 하면 남들이 해온 것을 따라가는 것보다 훨씬 어렵습니다. 그럴 때는 결국 자신의 연구와 판단을 믿는 것이 중요하다고 생각합니다.
 

10. 당시에는 실패라고 느꼈지만 결과적으로 중요한 경험이 된 순간도 있으셨나요?
 

   박사과정 초반이 가장 기억에 남습니다. 석사 때는 실험 연구를 했는데 박사과정에 들어가면서 계산 연구를 시작했습니다. 당시 저는 코딩도 전혀 할 줄 몰랐어요. 그런데 그냥 하고 싶다는 생각으로 시작했습니다. 석사과정에서는 논문도 여러 편 썼는데, 박사과정에서는 1년이 지나도록 제대로 된 연구 결과가 나오지 않았습니다. 지도교수님도 계산과학을 전공하신 분이 아니어서 다른 대학의 교수님을 소개해 주셨습니다. 그 교수님을 찾아가 제가 하고 싶은 연구를 설명했는데, 당시의 계산과학으로는 제가 하려는 연구가 불가능하다는 이야기를 들었습니다. 서울에서 대전으로 돌아오는 버스 안에서 정말 막막했습니다. ‘이제 어떡하지?’라는 생각이 들었고 눈물도 났습니다.
 
   그런데 돌아온 뒤 우연히 제가 하고 싶었던 연구와 비슷한 서울대학교 물리학과 졸업논문을 발견했습니다. 그 논문을 읽고 하나씩 따라 해보면서 그동안 공부했던 내용들이 이해되기 시작했습니다. 그리고 그것을 제가 하고 싶었던 연구로 확장할 수 있었습니다. 그때 느낀 것은 계속 노력하다 보면 어느 순간 기회가 온다는 것이었습니다. 늘 안 좋은 일만 생기는 것은 아니더라고요. 중요한 것은 기회가 왔을 때 그것을 잡을 수 있도록 그전까지 계속 준비하는 것 같습니다.
 

11. 정말 소중한 경험 나눠주셔서 감사합니다. 학생들에게 특히 강조하고 싶은 말이 있으신가요?

   저는 학생들이 실패를 너무 두려워하지 않았으면 좋겠습니다. 진로를 고민하는 학생들을 보면 ‘내가 이 선택을 하는 것이 맞을까?’라는 걱정을 정말 많이 합니다. 그런데 아직 가보지 않은 길인데 당연히 모르겠죠, 처음부터 알 수 없는 것이 당연합니다. 일단 선택했으면 자신을 믿고 한번 도전해 봤으면 좋겠습니다. 도전하면 성공보다 실패하는 일이 더 많을 수도 있습니다. 하지만 실패에서 얻을 수 있는 것이 굉장히 많습니다.
  
   AI 모델을 학습시킬 때도 성공한 데이터만큼이나 실패한 데이터가 중요합니다. 성공한 데이터만 학습시키면 모델이 한 방향으로 편향될 수 있습니다. 우리가 연구에서는 흔히 ‘실패 데이터’라기보다 ‘negative data’라고 부르기도 하는데, 이것 역시 ‘두 변수 사이에 우리가 기대했던 관계가 없다’는 중요한 정보를 담고 있습니다.
  
   인생도 비슷하다고 생각합니다. 내가 원하는 결과가 나오지 않았다고 해서 그 경험에 아무 의미가 없는 것은 아닙니다. 왜 원하는 결과가 나오지 않았는지를 생각해 보면 분명히 그 안에서 배울 것이 있습니다. 그리고 가능하다면 목표를 크게 잡았으면 좋겠습니다. 작은 목표를 세우고 그것을 모두 달성하면 거기까지 갈 수 있지만, 훨씬 큰 목표를 바라보면서 달리면 처음 목표에 완전히 도달하지 못하더라도 더 멀리 갈 수 있습니다.
  

12. 마지막으로 아직 진로와 연구 분야를 찾고 있는 자연과학대학 학생들에게 한 말씀 부탁드립니다.

   우선 자신이 정말 하고 싶은 것, 좋아하는 것이 무엇인지 많이 고민했으면 좋겠습니다. 그리고 무언가를 선택했다면 자신의 선택과 자기 자신을 믿고 충분히 몰입해 봤으면 합니다. 해보기도 전에 그 길이 맞았는지를 판단하기는 어렵습니다.
 
   AI 시대에도 결국 각자의 전문 지식은 매우 중요합니다. AI가 여러 분야에 두루 쓰일 수 있다는 것은 반대로 AI가 항상 한 분야의 아주 깊은 전문성까지 가지고 있는 것은 아니라는 뜻이기도 합니다. 그 부족한 부분을 전문성을 가진 사람들이 채워야 합니다.
 
   또 앞으로 과학이 풀어야 할 문제는 점점 더 커질 것입니다. 혼자서 할 수 있는 연구만으로는 한계가 있고, 서로 다른 분야의 사람들이 함께해야 하는 일이 많아질 겁니다. 그래서 자신의 전문성을 충분히 갖추는 것과 함께 다른 사람들과 열린 마음으로 소통하는 능력도 중요하다고 생각합니다. 서로 다른 영역이 만날 때 새로운 생각이 나오는 것도 하나의 창의성이라고 생각합니다.
 
   그리고 아직 무엇을 좋아하는지 잘 모르겠다면 여러 경험을 해보면 좋겠습니다. 학부 연구 인턴 역시 처음부터 큰 성과를 내기 위한 것이라기보다, 자신이 무엇을 좋아하는지 알아가는 과정이라고 생각합니다. 여러 분야를 경험하다 보면 ‘이것은 나와 잘 맞는다’는 것을 발견할 수 있습니다.
  
자기가 정말 좋아하는 것을 찾고, 자신의 선택을 믿고 도전했으면 좋겠습니다.
 

 
자연과학대학 학생기자단 자:몽 강서연 기자 kseoyeon06@snu.ac.kr
카드뉴스는 자:몽 인스타그램 @grapefruit_snucns에서 확인하실 수 있습니다.