결과 읽기부터 자동화한 Periodic Labs

핵심

실험 선택이 아니라 결과 분석부터 자동화하고 다음 실험은 사람과 나눕니다.
기술자에게 조리법 대신 실험대에서 실제로 실행한 내용을 적게 합니다.
전문가끼리의 일치율 77.2%를 기준으로 만든 AI 채점자가 모델을 평가합니다.

화로와 장비는 돌아가는데 결과를 읽을 사람이 부족한 실험실

새로운 물질을 연구하는 실험실의 일상은 겉보기와 달리 반복적인 해독 작업에 가깝습니다. 연구자는 무엇을 만들지 고민하고, 어떤 방법으로 합성할지 계산한 뒤, 화로와 증착 장비를 돌려 시료를 얻습니다. 하지만 시료가 완성되어도 그 겉면에 이름표가 붙어 나오지는 않습니다. 가루나 박막 속에 원하던 물질이 실제로 생겼는지 확인하려면 정밀 장비로 측정한 뒤 복잡한 신호 데이터를 일일이 분석해야 합니다. 가장 널리 쓰이는 시험인 X선 회절(XRD)은 물질에 X선을 쪼여 나오는 고유한 꺾임 패턴을 보고 성분을 알아내는 검사입니다. 패턴이 복잡하고 여러 상이 뒤섞여 있으면, 숙련된 재료 전문가라도 한 시료를 판독하는 데 몇 시간씩 매달려야 합니다.

Periodic이 보기에 실험실 전체의 속도는 화로를 얼마나 빨리 켜느냐가 아니라, 장비에서 쏟아지는 시험 결과를 사람이 얼마나 빨리 읽어내느냐에 따라 결정됩니다. 시뮬레이션으로 수많은 후보를 예측하더라도, 합성된 물질을 사람이 제때 분석하지 못하면 다음 실험은 시작조차 할 수 없습니다. 2025년 9월 30일에 출범한 Periodic Labs는 바로 이 지점을 겨냥합니다. ChatGPT 개발에 참여했던 전 OpenAI 연구 부사장 Liam Fedus와, Google DeepMind에서 재료 연구를 이끌었던 Ekin Dogus Cubuk이 함께 세운 회사입니다. TechCrunch 보도에 따르면 a16z, DST, Nvidia, Accel 등이 참여해 3억 달러의 시드 투자를 유치했습니다.

Periodic Labs는 출범 글에서 “우리의 목표는 AI 과학자를 만드는 것입니다.”라고 선언했습니다. 동시에 그들은 “지능은 필요하지만 충분하지 않다”고 밝혔습니다. 컴퓨터 안에서 아무리 뛰어난 지능을 돌려도 현실과 부딪혀 시험하지 않으면 새로운 과학 지식이 나올 수 없기 때문입니다. 그래서 이들은 AI 과학자 모델뿐 아니라 그 모델이 직접 다룰 수 있는 자율 실험실을 함께 짓기 시작했습니다. 첫 목표는 더 높은 온도에서 작동하는 초전도체와 새로운 자석 물질을 찾아내는 일입니다. 아울러 여기서 개발한 도구를 반도체 제조사를 비롯한 산업 현장에도 공급하고 있습니다.

다음 실험을 고르기 전에 결과 분석부터 AI에 넘긴 이유

Periodic이 2026년 9월 15일 공개한 글에 따르면, 이들의 연구 흐름은 크게 세 단계로 돌아갑니다. 첫째는 물질의 안정성과 성질을 시뮬레이션해 무엇을 만들지 예측하는 단계입니다. 둘째는 그것을 합성하는 구체적인 공정을 예측하는 단계입니다. 셋째는 합성된 시료에 실제로 무엇이 생겼는지, 원하는 물리적 성질을 갖추었는지 알아내는 결과 분석 단계입니다. 2026년 10월 8일 진행된 팟캐스트 Latent Space 인터뷰에서 Liam Fedus는 시료가 만들어져도 이름표가 붙어 나오지 않기 때문에, 시뮬레이션으로 후보를 좁히고 자체 실험을 통해 이를 보정해야 한다고 설명했습니다.

보통 AI를 연구에 도입한다고 하면 다음 실험으로 무엇을 할지 고르는 일부터 모델에 맡기기 쉽습니다. 하지만 Periodic은 그 순서를 따르지 않았습니다. 공동 창업자인 Ekin Dogus Cubuk은 처음부터 연구의 병목이 결과 분석에 있다고 보았습니다. 그는 “가루를 섞는 일은 그리 어렵지 않습니다.”라고 말하며, 빠른 결과 분석이 뒷받침되지 않으면 근거를 가지고 다음 단계를 결정할 수 없다고 짚었습니다. 실제로 실험실 규모가 커지자 전문가가 손으로 XRD 결과를 분석하는 속도로는 감당할 수 없는 상황이 벌어졌습니다.

이 병목을 풀기 위해 Periodic이 내놓은 해법이 1조 개 파라미터를 가진 모델 Periodic Neon입니다. 이 모델은 오픈 웨이트 모델인 Kimi K2.6을 바탕으로 과학 문헌과 자체 실험실 데이터를 추가 학습시켜 만들었습니다. 지금은 Menlo Park 실험실에 직접 배치되어 시험 결과를 분석하고 있습니다. 복잡한 회절 패턴을 맞추는 일에서 벗어난 덕분에 과학자들은 더 많은 실험을 감독하는 역할로 올라설 수 있었습니다. 전자현미경 이미지 검사도 마찬가지였습니다. 기술자와 과학자가 형상을 확인하는 속도가 따라가지 못하자, 초기에는 단순한 자동화 스크립트를 도입했으나 Liam Fedus의 표현에 따르면 지나치게 둔했습니다. 결국 장비가 어떤 물질을 만들려던 실험이었는지 맥락을 이해하는 AI 모델을 측정 장비에 직접 연결했습니다.

과학 데이터는 참과 거짓을 따질 수는 있지만, 정답지를 바로 확인하기는 어렵습니다. 그래서 Periodic은 사람이 내리는 판단 자체를 자동화된 채점 기준으로 바꾸었습니다. 박사급 재료 전문가들이 시료 패턴 하나당 3명씩 붙어 수천 개의 패턴에 라벨을 달았습니다. 이 데이터에서 전문가들끼리의 의견 일치율은 77.2%였습니다. Periodic이 구축한 두 개 한 쌍의 AI 채점자는 전문가와 74.6% 비율로 일치했고, 전문가들의 합의 결과와는 84% 일치했습니다. 회사는 이 AI 채점자를 모델 학습과 성능 평가에 활용합니다. 모든 데이터를 종합해서 살피는 AI는 실험실 운영상의 오류를 잡아내기도 했습니다. 서로 다른 실험 사이에서 결과가 일관되지 않음을 감지한 AI가 원인을 거슬러 올라가 특정 장비에 시료가 잘못 장전되었음을 밝혀낸 사례가 있었습니다.

AI 채점자의 일치율 기준

박사급 전문가들이 XRD 패턴 수천 개에 라벨을 붙였으며, AI 채점자는 Neon의 학습과 평가를 채점합니다. (출처: Periodic Labs)

사람 없는 실험실 대신 연구 기록 전체를 학습 데이터로 삼다

Periodic의 실험실은 캘리포니아주 Menlo Park에 있으며 회사 설명에 따르면 연중무휴 24시간 돌아갑니다. 하지만 모든 과정이 처음부터 로봇으로 채워진 것은 아닙니다. 2025년 12월 MIT Technology Review는 이 회사가 AI의 예측 안내를 받으며 수동 합성부터 시작했다고 전했습니다. 2026년 5월 분말 공정 엔지니어 채용 공고에도 수동 실험실에서 얻은 교훈이 완전한 규모의 자동화 실험실을 설계하는 밑바탕이 된다고 적혀 있습니다. Liam Fedus는 실용적인 접근을 택했다고 설명합니다. 과학자와 기술자의 시간을 많이 빼앗는 일상 업무부터 먼저 자동화하고, 기계화하는 데 몇 달씩 걸리는 까다로운 손작업은 일단 건너뛰는 방식입니다. 사람을 완전히 없애는 것은 목표가 아니며, 목적은 질 좋고 다양한 데이터를 대량으로 얻는 데 있습니다.

이 원칙은 채용 공고에 적힌 사람의 업무에서도 잘 드러납니다. 박막 공정 기술자는 표준 절차에 따라 증착 장비를 다루고 시료를 준비하며 장비를 보정합니다. 공고는 이들에게 모든 실행이 모델을 위한 잠재적 데이터라고 강조하며 조리법에 적힌 내용이 아니라 실제로 수행한 작업을 그대로 기록하라고 요구합니다. 자동화 엔지니어는 장비 드라이버를 작성하고 로봇과 실험 장비를 사내 데이터 시스템 및 AI 모델에 연결해 실험 분석과 계획이 이어지도록 만듭니다. 재료 데이터 담당자는 연구와 데이터 수리를 함께 맡으며 에이전트의 실행 기록을 조사해 데이터 오류와 실패 방식을 파악합니다. 다른 연구자들은 과학 업무 흐름을 바탕으로 평가와 학습 환경을 구축하고 모델 자체를 학습시킵니다.

조직 구성은 크게 다섯 갈래로 나뉩니다. Liam Fedus가 밝힌 역할군은 AI 연구 및 인프라, 계산 과학, 실험 과학, 하드웨어 공학, 제품 개발입니다. Ekin Dogus Cubuk은 과거 Bell Labs처럼 고위급 전문가도 실험대에서 직접 손으로 일한다고 말했습니다. 실험실 총괄은 휴직 중인 MIT 물리학자 Joe Checkelsky가 맡고 있습니다. OpenAI의 Operator 에이전트 기술 리드 출신인 Ray Nakano는 실험실에서 장비를 자동화하는 엔지니어링을 이끕니다. 시중에서 구한 부품이 전체 흐름을 늦추면 하드웨어를 자체 제작하기도 합니다. 계량 장비의 반응이 너무 느리거나, 시료를 섞은 뒤 대기하는 로봇 팔의 위치 때문에 오염 위험이 생기자 필요한 장치를 회사 안에서 만들었습니다.

기존 재료 연구실과 Periodic의 첫 번째 차이는 실험실의 목적 그 자체에 있습니다. 보통의 연구실은 실험 결과 중 쓸모 있는 일부분을 추려 학술 논문으로 냅니다. 하지만 Periodic에서는 모든 실험 과정이 자체 모델을 가르치는 데이터가 됩니다. Liam Fedus는 이를 두고 과학을 수행하는 과정 자체를 학습시키는 일이라고 불렀습니다. 연구자 사이의 대화, 직관, 실험실에서 실행한 세부 조작, 코드까지 연구 캠페인의 전체 기록을 보관합니다. 실패한 실험도 마찬가지입니다. 일반 연구실에서는 실패한 결과가 거의 발표되지 않지만, Periodic은 부정적 결과를 모두 저장해 모델 학습에 씁니다.

두 번째 차이는 사람의 일이 옮겨간 위치입니다. 같은 시리즈에서 다룬 Lila Sciences의 사례에서는 모델이 다음 실험을 직접 고르고 연구자의 검토는 안전 점검 수준으로 줄어들었습니다. 반면 Periodic이 만들어낸 첫 변화는 분석 단계에서 일어났습니다. 과학자들은 회절 패턴을 몇 시간씩 대조하는 작업에서 벗어나 더 많은 실험을 감독하고 있습니다. 반면 연구 캠페인의 다음 방향을 잡는 일은 여전히 사람과 AI가 나누어 맡고 있습니다. Liam Fedus는 연구 방향 설정이 초기에는 전적으로 사람이 이끌었으나 지금은 AI와 사람이 섞여 있으며, 결과 분석은 크게 AI 중심으로 옮겨갔다고 밝혔습니다.

세 번째 차이는 AI를 검증하는 방식입니다. Periodic은 범용 프런티어 모델이나 단일 실험 결과를 그대로 신뢰하지 않습니다. 전문가들 사이의 일치율을 측정한 뒤 그에 근접하는 AI 채점자를 만들어 자체 모델 학습에 활용했습니다. 회사가 밝힌 평가에 따르면, Neon은 가장 까다로운 사내 XRD 시험에서 주요 범용 모델들을 앞섰고 분석당 비용도 더 낮았습니다. 또한 실험실 맥락과 사내 데이터베이스를 연결한 Periodic의 자체 환경 안에서는 같은 프런티어 모델이라도 Claude Code와 공개 데이터베이스, 표준 XRD 소프트웨어를 조합해 썼을 때보다 성공률이 3.8배 높았습니다.

네 번째 차이는 사업 방식입니다. Liam Fedus는 Periodic이 자체 개발한 도구의 첫 시험 고객이었으며, 이제는 이를 반도체 제조사로 넓히고 있다고 말했습니다. 이들은 단순히 외부 접속용 API를 파는 방식을 쓰지 않습니다. 현장 배치 엔지니어가 파트너 기업에 직접 들어가 모델을 로컬 환경에서 구동하고, 고객의 자체 데이터로 모델을 학습시킵니다. 이를 통해 고객사가 자신만의 지능을 직접 소유하도록 지원합니다. 실제 채용 공고에는 대만에 장기 체류하며 일하는 조건이 명시되어 있습니다. Liam Fedus는 시스템의 자율성이 높아질수록 단순 도구 사용료가 아니라 목표 달성 성과에 가격을 매길 수 있다고 언급했습니다.

깨끗하게 연결된 실험 데이터가 새로운 자산이 될 때

이러한 운영 방식이 계속 이어진다면 연구개발 조직에서 가장 귀한 자원은 실험대에 머무는 시간에서 잘 정제되고 연결된 데이터로 옮겨갈 수 있습니다. Ekin Dogus Cubuk은 기존 학계에 공개된 실험 데이터 중 상당수는 잡음이 너무 심해 흔히 쓰는 시뮬레이션 방법인 DFT의 정확도보다 못한 경우가 많다고 지적했습니다. 모든 단계를 표준화된 방식으로 기록하는 실험실이 일반 모델보다 결과를 더 잘 읽어내는 모델을 학습시킬 수 있다면, 그 데이터는 다른 실험실이 쉽게 사오거나 복제하기 어려운 자산이 될 수 있습니다.

재료 및 공정 컨설팅 분야에도 새로운 형태의 경쟁이 나타날 수 있습니다. Periodic은 시뮬레이션 기술과 자체 학습 모델, 그리고 현장 엔지니어를 고객의 공정 작업에 한데 묶어 투입합니다. 아직은 초기 사례 하나에 불과하지만, 만약 이러한 협업 모델이 효과를 내고 비용 체계가 성과 중심으로 바뀐다면 전통적인 사내 엔지니어링 조직이나 외부 전문 컨설팅 그룹과 직접 경쟁하게 될 수도 있습니다.

연구개발에 AI를 도입하려는 다른 조직은 Periodic의 방식에서 네 가지 실용적인 기준을 얻을 수 있습니다.

첫째, 무엇을 할지 결정하기 전에 결과 읽기부터 자동화하는 일입니다. 시뮬레이션으로 수많은 후보를 찾아내도 사람이 결과를 읽지 못하면 실험 순환은 멈춥니다. 결정을 내릴 근거가 되는 분석 파이프라인부터 단단하게 만들어야 합니다.

둘째, AI 채점자를 만들기 전에 사람 전문가들끼리 얼마나 일치하는지 먼저 측정하는 일입니다. 전문가 사이의 일치율이라는 기준선이 없으면, AI가 내놓은 판단이 실제로 쓸 만한 수준인지 평가할 방법이 없습니다.

셋째, 현장 기술자의 작업 기록을 실험 결과와 같은 비중으로 다루는 일입니다. 지침서에 적힌 표준 조리법이 아니라 실제 실험대에서 어떤 일이 일어났는지 세밀하게 남겨야만 데이터를 학습에 쓰고 오류를 추적할 수 있습니다.

넷째, 모든 공정을 한 번에 무인화하려 들지 않고 투자 가치가 있는 작업부터 자동화하는 일입니다. 기계화하기 까다로운 섬세한 손작업은 사람에게 맡겨두고, 반복적이고 시간이 오래 걸리는 분석과 측정 작업부터 기계에 넘기는 편이 훨씬 현실적입니다.

아직 대규모 발견으로 증명되지 않은 것들

다만 이 모든 흐름이 완전히 검증되었다고 보기는 이릅니다. 현재 공개된 업무 방식과 성능 지표의 대부분은 Periodic의 공식 블로그, 창업자 인터뷰, 그리고 채용 공고에 적힌 내용에 바탕을 두고 있습니다. 특히 Neon 모델의 뛰어난 XRD 분석 결과는 회사가 자체적으로 만든 내부 시험 세트와 자체 AI 채점자를 기준으로 평가된 수치입니다.

회사의 인원이나 실험실의 처리량, 그리고 분말 합성이 실제로 어느 수준까지 자동화되었는지는 자료에 상세히 드러나지 않았습니다. AI가 전체 연구 캠페인을 온전히 기획하고 이끄는 구상 역시 아직은 미래의 과제로 남아 있습니다.

무엇보다 Periodic은 아직 새로운 초전도체나 자석 물질을 실제로 합성해 발견했다고 발표하지 않았습니다. 반도체 제조사와의 협력 작업 역시 구체적인 수치나 성과 결과는 공개되지 않은 상태입니다. 이들의 분업 모델이 신소재 발견이라는 최종 결실로 이어질지는 조금 더 지켜볼 필요가 있습니다.

출처

Periodic Labs — Introducing Periodic Labs — https://periodic.com/news/introducing-periodic-labs — 2025-09-30
Periodic Labs — Building Labs that Learn — https://periodic.com/news/building-labs-that-learn — 2026-09-15
Periodic Labs — Nature Is Our Learning Environment — https://periodic.com/news/nature-is-our-learning-environment — 2026-09-15
Periodic Labs — AI Infrastructure at Periodic — https://periodic.com/news/ai-infrastructure-at-periodic — 2026-09-15
Latent Space — Synthesis Superintelligence: from Semiconductors to Superconductors — Periodic Labs’ Liam Fedus and Ekin Dogus Cubuk — https://www.latent.space/p/periodic — 2026-10-08
Periodic Labs — job postings: Automation Engineer; Process Engineer, Powder; Process Technician, Thin Films; Research Scientist/Research Engineer, Materials Data; Research Scientist, Data; Research Scientist/Research Engineer, Midtraining; Research Scientist, Scaling RL; Forward Deployed Engineer, Physics & Simulation — https://jobs.ashbyhq.com/periodic-labs — 2026-10-22 확인
MIT Technology Review — AI materials discovery now needs to move into the real world — https://www.technologyreview.com/2025/12/15/1129210/ai-materials-science-discovery-startups-investment/ — 2025-12-15
TechCrunch — Former OpenAI and DeepMind researchers raise whopping $300M seed to automate science — https://techcrunch.com/2025/09/30/former-openai-and-deepmind-researchers-raise-whopping-300m-seed-to-automate-science/ — 2025-09-30