AI로 반도체 열관리 소재 탐색…Discovered Materials, 900만달러 시드 투자 유치

AI 반도체의 발열과 전력 소비를 새로운 소재로 줄이려는 스타트업 Discovered Materials가 900만달러 규모의 시드 투자를 유치했다. 인공지능이 후보 물질을 대량으로 제안하고 물리 시뮬레이션과 실험으로 가능성을 좁히는 방식으로, 생성형 AI의 활용 범위가 문서 작성과 코딩을 넘어 소재 연구와 반도체 공정으로 확장되는 흐름을 보여준다.

TechCrunch가 8월 10일 보도한 내용에 따르면 이번 투자는 Lightspeed India Partners가 주도했으며 Peak XV Partners와 개인투자자들이 참여했다. 2026년 설립된 Discovered Materials는 Y Combinator의 Spring 2026 프로그램을 거친 초기 기업으로, 반도체 제조시설과 데이터센터에 적용할 신소재 개발을 목표로 한다.

회사의 시스템은 Anthropic의 AI 모델로 후보 소재를 만들고, 자체 학습한 물리 기반 모델로 각 후보의 특성을 시뮬레이션하는 구조다. 공동창업자 설명에 따르면 박사과정 연구자가 하루 약 20개 아이디어를 검토하던 작업을 클라우드에서 상시 작동하는 여러 AI 에이전트가 하루 수천 개 수준으로 확대한다. 여기서 AI 에이전트는 질문에 답하는 챗봇을 넘어 자료 탐색, 후보 생성, 계산과 평가 등 여러 단계를 목표에 맞춰 연속 수행하는 소프트웨어를 뜻한다.

회사가 우선 겨냥하는 문제는 고성능 AI 칩에서 발생하는 열이다. AI 연산에 쓰이는 반도체는 높은 전력을 소비하고 많은 열을 내며, 데이터센터는 이를 식히기 위한 냉각 설비에도 상당한 전력을 사용한다. 열을 효율적으로 내보내면서 전기적 성능과 제조 적합성까지 충족하는 소재를 확보하면 칩의 성능 안정성과 데이터센터의 에너지 효율을 함께 개선할 여지가 있다.

다만 AI가 계산상 유망한 후보를 찾는 것과 상용 소재를 만드는 것은 다른 단계다. 열전도 특성이 좋아도 전기적 성능이나 내구성이 부족할 수 있고, 합성이 어렵거나 기존 반도체 공정과 맞지 않을 수도 있다. 회사도 후보 생성 자체보다 올바른 후보를 선별하고 실제 물질로 합성하는 과정이 주요 병목이라고 설명했다.

기존 연구도 이 차이를 보여준다. 2023년 네이처에 발표된 대규모 소재 탐색 연구에서는 딥러닝을 활용해 38만1,000개의 새로운 안정 결정 구조를 계산상 찾아냈지만, 그 가운데 독립적인 실험을 통해 실제 합성이 확인된 구조는 736개였다. 계산을 통한 탐색 범위는 크게 넓힐 수 있어도 실험 재현, 제조공정 적용, 장기 신뢰성 검증은 별도로 거쳐야 한다는 의미다.

Discovered Materials가 구상하는 사업모델도 아직 검증 단계에 있다. 유용한 소재나 제조법을 확보하면 특허를 출원하고 반도체 기업에 기술을 라이선스하는 방안이다. 실제 매출로 이어지려면 고객사의 평가뿐 아니라 반복 가능한 합성, 생산수율, 공급망, 비용, 기존 장비와의 호환성 등을 통과해야 한다. 이번 900만달러 투자는 연구와 실험 속도를 높일 자금이지만, 소재의 상업성이 이미 입증됐다는 뜻은 아니다.

보스턴권에서는 이번 흐름을 단순한 ‘AI 연구직 증가’보다 소재과학, 반도체, 실험 자동화가 결합하는 변화로 볼 필요가 있다. MIT.nano의 START.nano 프로그램에는 반도체와 신소재를 포함한 하드테크 기업들이 참여하고 있으며, 공유 연구시설과 산업 네트워크를 활용해 실험실 기술의 사업화를 추진하고 있다. 보스턴의 대학과 연구기관에서 재료공학, 화학, 물리학, 전기공학을 공부하는 학생에게 AI는 전공을 대신하는 별도 분야라기보다 후보 탐색과 실험 설계의 범위를 넓히는 도구에 가까워지고 있다.

채용에서도 일반적인 AI 엔지니어만 주목할 필요는 없다. 계산재료과학, 반도체 패키징과 열관리, 공정 시뮬레이션, 실험 자동화, 연구데이터 관리, 특허와 기술이전처럼 AI가 제안한 결과를 실제 제품 조건에 연결하는 역할이 함께 중요해질 수 있다. 모델을 사용했다는 경험보다 어떤 기준으로 후보를 걸러냈고, 실험에서 어떻게 재현했으며, 실패 데이터를 다음 탐색에 어떻게 반영했는지를 설명할 수 있는 역량이 산업 현장에서는 더 구체적인 평가 근거가 된다.

유학생과 취업비자 지원이 필요한 구직자는 기술 적합성과 회사의 고용 여력을 구분해 살펴볼 필요가 있다. 초기 스타트업은 한 사람이 시뮬레이션과 실험, 데이터 업무를 폭넓게 경험할 수 있지만 채용 규모와 현금 운용기간, 비자 스폰서 경험이 제한적일 수 있다. 지원 단계에서는 직무 설명에서 계산과 실험의 비중이 어떻게 나뉘는지, 실제 연구시설이나 외부 협력망이 있는지, 스폰서십 정책을 확인할 수 있는지를 점검하는 편이 현실적이다. 비자 관련 판단은 개인 신분과 회사 정책에 따라 달라질 수 있으므로 학교 국제학생 담당 부서나 관련 전문가의 확인이 필요하다.

창업 관점에서도 이번 투자는 AI 소재 스타트업의 성패가 모델 성능만으로 결정되지 않는다는 점을 보여준다. 실험시설 이용비, 장비 확보, 합성 인력, 고객사의 긴 검증기간을 감당할 수 있는 자금 운용계획이 필요하다. 소프트웨어처럼 제품을 빠르게 배포하기 어려운 하드테크 기업에서는 현금 운용기간과 기술 검증 단계, 잠재 고객과의 공동개발 구조를 함께 살펴봐야 한다.

당장 확인되는 변화는 AI가 과학자의 후보 탐색량을 크게 늘리고 연구 초기 단계를 압축할 수 있다는 점이다. 장기적인 관전 포인트는 그렇게 찾아낸 후보가 실험실과 제조라인을 통과해 실제 전력 절감이나 성능 향상으로 이어지는지다. 보스턴의 연구자와 구직자에게도 경쟁력의 중심은 AI만 다루는 능력보다 전공지식을 바탕으로 AI의 결과를 검증하고 산업 조건에 맞는 해답으로 좁혀가는 역량에 놓일 가능성이 크다.