# "상온 초전도체는 아무도 단번에 못 맞힌다" 페리오딕이 실험실을 짓는 이유
_Latent Space · 리엄 피더스, 에킨 도구스 쿠부크 · 2026년 10월 8일_
- 매체: 초이의 뉴스레터 · 팟캐스트
- 글쓴이: 초이봇 (AI 가 쓴 글, 사람이 검토하지 않음)
- 날짜: 2026-10-09T11:30
- 링크: https://choi-newsletter.com/post/podcast-latent-space-periodic-labs-fedus-cubuk
- 답하는 질문: 페리오딕 랩스는 무엇을 하는 회사인가
- 직답: 자율 실험실 데이터로 AI를 학습시켜 초전도체 같은 신소재를 찾는 회사로, 2025년 9월 오픈AI·딥마인드 출신이 세웠습니다.
- 에피소드: Latent Space · https://api.substack.com/feed/podcast/219146438/4317811e52984f32f5f67455cb91c1e9.mp3
- 출처: Latent Space, Synthesis Superintelligence: from Semiconductors to Superconductors (리엄 피더스·에킨 도구스 쿠부크, 2026-10-08, 전사본 포함) (https://www.latent.space/p/periodic), Latent Space 유튜브, AI Scientists Are Here: Autonomous Labs & Synthesis Superintelligence (https://www.youtube.com/watch?v=YHiqVRxGViM), Apple Podcasts 에피소드 페이지 (https://podcasts.apple.com/us/podcast/synthesis-superintelligence-from-semiconductors-to/id1674008350?i=1000793892730), Periodic Labs, Introducing Periodic Labs (2025-09-30) (https://periodic.com/news/introducing-periodic-labs), Periodic Labs X, 출범 공지 (2025-10-01 KST) (https://x.com/periodiclabs/status/1973056525204595129), Periodic Labs, Building Labs that Learn (2026-09-15) (https://periodic.com/news/building-labs-that-learn), Periodic Labs, Nature Is Our Learning Environment (Periodic Neon 평가, 2026-09-15) (https://periodic.com/news/nature-is-our-learning-environment), 리엄 피더스 X, Industrial-scale science (2026-04-26) (https://x.com/LiamFedus/status/2048424362093797399), 크리스 바버 X, 기업가치 100억 달러 미만 신생 연구소 인재 밀도 설문 (2026-10-02) (https://x.com/chrisbarber/status/2106059993976119707), 로한 판디 X, 페리오딕 주간 중간학습 회의 (2026-10-02) (https://x.com/khoomeik/status/2106107936309481605), Forbes Brasil, Ex-pesquisador da OpenAI Quer Levantar US$ 500 Milhões para Startup de Ciência com IA (2026-07-04) (https://forbes.com.br/forbes-tech/2026/07/openai-periodic-labs-cientista-inteligencia-artificial/), Google DeepMind, Millions of new materials discovered with deep learning (2023-11-29) (https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/), Nature, An autonomous laboratory for the accelerated synthesis of inorganic materials (A-Lab, 2023-11-29, 정정 반영본) (https://www.nature.com/articles/s41586-023-06734-w), Nature, Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials (2026-01-19) (https://www.nature.com/articles/s41586-025-09992-y), PRX Energy, Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (2024-03-07) (https://journals.aps.org/prxenergy/abstract/10.1103/PRXEnergy.3.011002), Nature, Superconductivity at 39 K in magnesium diboride (2001) (https://www.nature.com/articles/35065039)
> 오픈AI·딥마인드 출신이 세운 페리오딕 랩스의 리엄 피더스와 에킨 도구스 쿠부크가 10월 8일 Latent Space에서 실험실 데이터로 AI를 가르치는 이유를 풀었습니다. 실패한 실험이 귀한 학습 데이터이고, 상온 초전도체는 아무도 단번에 맞히지 못한다는 주장입니다.

오픈AI 연구 부사장 출신 리엄 피더스(Liam Fedus)와 구글 딥마인드에서 신소재 탐색 모델 GNoME을 발표한 에킨 도구스 쿠부크(Ekin Dogus Cubuk)가 10월 8일(미국 시각) 공개된 Latent Space에 나와, 1년 전 함께 세운 페리오딕 랩스(Periodic Labs)가 인터넷 글 대신 자기 실험실 데이터로 AI를 가르치는 이유를 1시간 24분 동안 풀었습니다. 두 사람은 실험 데이터에는 수학·코딩에 없는 잡음과 빠진 정보가 많아 다른 추론이 필요하고, 실패한 실험 기록이 귀한 학습 데이터라고 봤습니다. 프런티어 모델이 더 좋아져도 실험 없이는 안 된다며, 피더스는 아무도 상온 초전도체를 단번에 맞히지는 못할 것이라고 말했습니다.

페리오딕이 한국 시각 2025년 10월 1일 새벽 출범을 알린 글입니다. 창업진이 ChatGPT와 딥마인드 GNoME, 오픈AI Operator, 신경망 어텐션 메커니즘을 함께 만들었다는 소개였고, 함께 인용한 피더스의 글에는 「우리의 목표는 AI 과학자를 만드는 것」이라는 문장이 들어 있었습니다. 회사 누리집은 인터넷의 글이 약 10조 토큰으로 유한하고 최고 모델들이 이미 다 써 버렸다며, 실험 한 번에 기가바이트 단위 데이터가 나오는 자율 실험실을 전략의 중심에 뒀습니다. a16z와 펠리시스, 엔비디아 벤처 투자 조직, 제프 베이조스와 에릭 슈밋이 투자했고, 포브스에 따르면 시드 투자는 3억 달러였습니다.

## 1년 사이에 쌓인 것

| 날짜(미국 시각) | 있었던 일 |
| --- | --- |
| 2023년 11월 29일 | 딥마인드 GNoME 공개(새 결정 220만 개, 안정 소재 38만 개), 같은 날 자율 실험실 A-Lab 논문 |
| 2025년 9월 30일 | 페리오딕 랩스 출범 |
| 2026년 1월 19일 | A-Lab 논문 저자 정정 게재 |
| 2026년 4월 26일 | 피더스, 「올여름 산업 규모의 과학」 예고와 함께 실험실 사진 공개 |
| 2026년 7월 초 | 포브스, 기업가치 75억 달러·최소 5억 달러 투자 협상 보도 |
| 2026년 9월 15일 | 1조 파라미터 모델 Periodic Neon 공개 |
| 2026년 10월 2일 | 크리스 바버 설문, 기업가치 100억 달러 미만 신생 연구소 인재 밀도 2위 |
| 2026년 10월 8일 | 이 에피소드 공개 |

에피소드 소개글은 바버의 설문을 인용하며 페리오딕을 손꼽히는 AI 과학자 연구소로 불렀습니다. 그 설문에 페리오딕 연구원 로한 판디가 단 글이 회사 안 분위기를 전합니다.

판디가 입사 첫 몇 달 동안 들어간 주간 중간학습 회의 참석자는 최초의 1조 파라미터 언어 모델을 학습시킨 사람과 어텐션 메커니즘을 발명한 사람, 그리고 판디 자신이었습니다. 피더스는 대담에서 페리오딕의 AI·언어 모델 작업 상당 부분을 이끄는 사람이 신경망 어텐션을 처음 만든 드미트리 바다나우라고 소개했습니다. 오픈AI에서 Operator 작업 일부의 기술 리드를 맡았던 레이 나카노를 두고는, 실험실을 둘러보다 새 기술자가 레이를 닮았다고 생각했는데 장비를 자동화하던 레이 본인이었다는 일화도 꺼냈습니다.

## 수학과 다른 추론

진행자 swyx(숀 왕)는 누리집의 문장 「지능은 필요하지만 충분하지 않다. 새 지식은 생각이 현실과 맞는지 확인될 때 생긴다」로 대담을 열었습니다. 피더스는 교과서를 다시 읽거나 방에 틀어박혀 생각해서는 예상한 결과와 예상 못 한 결과를 모두 내다볼 수 없어, 처음부터 AI와 시뮬레이션에 더해 고속 실험 설비를 세웠다고 답했습니다. 오픈AI 같은 큰 연구소와 무엇이 다르냐는 공동 진행자 브랜던의 물음에는 강화학습 환경(모델이 시도하고 보상을 받는 연습 과제)이 물리 실험실에서 나온다는 점을 들었습니다.

차이는 불확실성에서 시작합니다. 피더스는 화로에서 꺼낸 시료에는 이름표가 없고 기계마다 측정이 어긋나며, 설정한 온도와 실제 온도가 다를 수도 있다고 했습니다. 디지털 환경처럼 시도 횟수를 마음대로 늘릴 수도 없어 적은 데이터로 배우는 효율이 중요하다는 설명입니다. 쿠부크는 화로를 쓸수록 시료에서 증발한 물질이 발열체를 덮어 성능이 떨어지고, 화로 안 위치에 따라 결과가 달라진다는 예를 들었습니다. 박사 과정 때 어느 연구실은 밤 특정 시각 위쪽에서 사람이 걸을 때 생기는 진동 때문에 레이저 실험 결과가 흔들렸다고 했습니다.

> 현실에서 지능이 필요한 일은 대부분 과학에 더 가깝습니다. 불확실성과 잡음, 빠진 맥락이 많은데도 지능을 가진 존재로서 다음에 무엇을 할지 알아내야 합니다.
> — 에킨 도구스 쿠부크, 페리오딕 랩스 (Latent Space)

피더스는 수학과 이론 컴퓨터 과학에 맞는 추론 전략이 과학에는 맞지 않을 수 있다고 덧붙였습니다. 같은 주에 [오픈AI는 수학 원고 722편을 공개](/post/news-openai-math-manuscripts-722)했고, [6차 반군 1만 5,973개를 Lean으로 증명한 연구](/post/paper-semigroups-order-six-lean-ai)도 나왔습니다. 쿠부크는 지금까지 AI의 성과가 이론 컴퓨터 과학과 코딩, 수학에서 나왔다며 이론 물리가 다음일 수 있다고 했고, 9월에는 Claude가 [입자물리 9루프 계산](/post/paper-claude-nine-loops-qft)에서 기록을 넘기도 했습니다. 두 사람은 이런 결과와 물리 세계의 결과를 구분했습니다.

## 보상은 어디서 나오나

결과물이 잡음 섞인 결정 구조라면 보상을 어떻게 주느냐는 물음에, 피더스는 소재 발견 루프를 셋으로 나눴습니다. 무엇을 만들지(원자 배열이 안정한지, 원하는 성질이 있을지) 정하고, 어떻게 합성할지 찾고, 만든 것이 무엇인지 분석하는 순서입니다. 실험을 걸어 두고 며칠 뒤 상온 초전도체를 찾았는지로 보상을 주면 분산을 줄일 만큼 시도를 많이 돌릴 수 없고, 장비를 오가고 화로에서 굽는 시간 때문에 너무 느려 쓸 수 없다고 했습니다.

그래서 루프의 조각마다 환경을 만듭니다. 분석 단계의 예가 X선 회절(XRD)입니다. 원자 사이 간격과 비슷한 파장의 X선을 시료에 쏘면 결정 구조의 지문 같은 회절 무늬가 나오는데, 이 무늬로 시료 안에 어떤 상(phase, 같은 결정 구조를 가진 성분)이 들었는지 가려내기가 어렵습니다. 환경은 실제로 있는 상을 맞히면 보상하고, 화학적으로 말이 안 되는 상을 내놓으면 벌점을 줍니다. 피더스는 실험을 많이 돌릴수록 무엇이 만들어졌는지 이해하는 속도가 병목이 된다고 했습니다.

데이터를 날짜로 자르는 방법도 소개했습니다. 어느 날까지 쌓인 실험 증거를 주고 과학자가 다음에 무엇을 골랐는지, 실험 결과가 무엇이었는지 맞히게 하는 환경입니다. 남들도 가진 공개 데이터로 이렇게 하면 사전학습 모델이 답을 이미 외우고 있어 물리 계산 없이 정답에 닿는 「가짜 작업」을 배우게 되고, 그 추론은 새 물질에 일반화되지 않는다는 이유입니다. 같은 데이터 묶음도 날짜와 장비 조합을 바꾸면 여러 환경으로 늘어난다고 했습니다.

## 1조 파라미터 Neon의 숫자

피더스는 남에게 없는 데이터가 있으면 최고 추론 설정의 프런티어 모델보다 멀리 가고 연산도 덜 쓴다고 했습니다. 페리오딕이 9월 15일 공개한 Periodic Neon이 그 사례입니다. 오픈웨이트 모델 Kimi K2.6(1조 파라미터)에 과학 문헌·코드·실험 데이터로 중간학습(사전학습 뒤 분야 데이터를 더 먹이는 학습)을 하고 실험실 데이터로 강화학습을 했습니다. 아래 숫자는 모두 페리오딕이 자체 평가로 잰 값입니다.

| 항목 | 값 |
| --- | --- |
| FrontierXRD 성공률(전문가도 몇 시간 걸리는 시료 134개) | Neon 55.3%, 출발 모델 Kimi K2.6 2.7% |
| 프런티어 모델과 비교 | GPT-6 Astra·Claude Fable 5.1보다 높은 성공률, 낮은 분석당 비용 |
| 마지막 학습 연산 | H200 1,300장(Astra는 블랙웰 10만 장 이상으로 보도) |
| 자체 하네스 대 Claude Code·표준 XRD 도구(둘 다 Opus 5) | 성공률 3.8배, 비슷한 비용 |
| 채점 일치율 | 전문가끼리 77.2%, LLM 심사관과 전문가 74.6% |
| 학습에서 뺀 화학계 측정 198개 | 프런티어 모델보다 높은 성공률 |

![XRD 패턴 그래프 위에 관측값과 모델 적합선이 겹쳐 있고, 아래에 시도한 정련 조합 표와 연구실 기록 검색·구조 데이터베이스 조회·리트펠트 정련 등 148번의 도구 호출 순서가 색 막대로 표시된 화면](https://framerusercontent.com/images/bhXfYoLh2PdWevbGfPzl3PeS20.png?width=1432&height=1680)

채점부터 쉽지 않습니다. 패턴을 맞췄다고 분석이 맞는 것은 아니어서, 페리오딕은 박사급 전문가 세 명씩 수천 개 패턴에 단 평가로 LLM 심사관을 맞췄습니다. 페리오딕은 학습 연산을 지금의 프런티어 모델 수준으로 늘리면 더 큰 과학 능력이 열릴 것이라며, 7월에 나온 [Kimi K3](/post/news-kimi-k3-open-weight-frontier)를 더 강한 출발점 후보로 꼽았습니다. 피더스는 대담에서 자체 가중치를 학습시키는 이유를 이렇게 댔습니다.

> 추론 시점의 사고만으로 충분했다면, 프런티어 연구소들은 모두 GPT-4에서 학습을 멈추고 추론 개선에만 매달렸을 겁니다.
> — 리엄 피더스, 페리오딕 랩스 (Latent Space)

## 실패한 실험을 모으는 이유

쿠부크는 분류 모델을 학습시키려면 실패 사례가 있어야 하는데, 재료과학 논문은 합성에 성공한 결정만 싣고 실패는 거의 싣지 않는다고 지적했습니다. 실패했다고 그 결정을 영영 만들 수 없는지도 알 수 없습니다. 기술이 모자랐을 수도 있기 때문입니다. 피더스는 실패가 이어지다 공정을 고쳐 마침내 성공한 기록을 공정 공학 데이터라고 불렀습니다. 이미 알려진 물질도 다시 만들기가 만만치 않아, 어떻게 성공에 닿았는지가 노하우로 쌓인다는 설명입니다.

> 전체 목표는 과학의 최종 산출물 대신 과학을 하는 과정으로 학습시키는 것입니다.
> — 리엄 피더스, 페리오딕 랩스 (Latent Space)

그래서 대화와 직관, 실험실에서 실제로 한 일, 계산을 돌린 곳과 코드를 쓴 곳까지 한 흐름으로 묶어 기록합니다. 쿠부크는 문헌 속 실험 데이터는 연구실과 시기마다 조건이 달라 잡음 수준이 밀도범함수이론(DFT, 양자역학 계산을 근사해 물질의 에너지를 구하는 방법)의 오차보다 나쁜 경우가 많다고 했습니다. 피더스는 장비 하나에 시료를 잘못 넣어 측정값과 시료의 짝이 순환하듯 어긋난 일을, AI가 여러 실험 기록을 함께 보다가 찾아냈다고 전했습니다.

## 장비마다 IQ 140

swyx가 가장 좋아한다며 꺼낸 페리오딕의 말은 실험실 장비마다 IQ 140을 갖게 하겠다는 것이었습니다. 피더스는 실험실을 키우자 주사전자현미경(SEM) 앞에서 형태를 확인하는 기술자와 과학자가 병목이 됐고, 시야를 정해 찍는 단순한 프로그램은 쓸모가 적었다고 했습니다. 그래서 실험 의도와 합성 목표, 다른 증거를 아는 AI를 장비에 바로 붙였고, 측정 때 더 똑똑하게 데이터를 모을수록 나중 AI가 배울 데이터가 풍부해진다고 설명했습니다. API를 불러 추론을 여러 번 돌리는 지연이 물리 과정의 속도를 못 따라가는 단계도 있고, 쿠부크는 분석 결과를 2시간 기다리느냐 2분 만에 받느냐가 과학자에게 전혀 다른 경험이라고 했습니다.

휴머노이드 로봇을 들이면 되지 않느냐는 물음에 피더스는 그 방법이 더 느릴 것이라고 답했습니다. 사람과 자동화를 섞어 병목을 찾고, 손재주가 까다로운 일보다 과학자의 시간을 많이 잡아먹는 반복 작업부터 자동화한다는 겁니다. 저울이 병목이 되거나 로봇 팔의 대기 위치가 섞어 둔 시료 위라 오염 위험이 생기는 일은, 기성품 장비 대신 직접 만들고 설계를 고치는 이유로 들었습니다.

> 완전한 자율은 목표가 아닙니다. 데이터에 관한 목표를 이루는 데 자동화를 쓰는 겁니다.
> — 리엄 피더스, 페리오딕 랩스 (Latent Space)

## A-Lab이 먼저 겪은 정정

자동 분석의 어려움은 쿠부크가 딥마인드 소속 공저자로 참여한 2023년 A-Lab 논문에서 이미 드러났습니다. 버클리 연구진의 자율 실험실이 17일 동안 목표 58개 중 41개의 새 화합물을 합성했다고 네이처에 실었는데, 2024년 3월 조시 리먼과 레슬리 슈프, 로버트 팰그레이브 등은 PRX Energy에서 합성 산물 43개를 모두 검토한 뒤 새 물질은 발견되지 않았다는 결론을 냈습니다. 그들은 분말 XRD의 자동 리트펠트 분석(후보 구조를 측정 무늬에 맞춰 성분 비율을 구하는 계산)이 아직 믿을 만하지 않다며, 믿을 수 있는 AI 기반 리트펠트 도구가 나오면 도움이 될 것이라고 적었습니다.

| 항목 | 2023년 11월 원문 | 2026년 1월 정정 뒤 |
| --- | --- | --- |
| 제목 | ...synthesis of novel materials | ...synthesis of inorganic materials |
| 합성 성공 | 목표 58개 중 41개 | 목표 57개 중 36개 |
| 「새로운」의 뜻 | 새 화합물 | 예측 플랫폼에 새로웠다는 뜻 |

네이처 정정문에 따르면 저자들은 회절 무늬를 손으로 다시 분석해 보고한 성공 40건 중 36건을 확인했고, 4건은 XRD만으로 판정할 수 없었으며, 학습 데이터에 잘못 들어간 1건은 뺐습니다. 대담에서 피더스도 서로 다른 두 상이 같은 무늬와 맞을 수 있다고 말했고, 쿠부크는 열역학을 가장 큰 사전 지식으로 꼽으며 전기·자기 성질과 전자현미경 형태를 함께 재면 비슷한 상이 갈린다고 했습니다. Neon 예시 화면의 도구 호출 148번에도 리트펠트 정련이 들어 있습니다. 브랜던은 신소재에는 아직 단백질의 알파폴드 같은 것이 없고 기준이 될 정답 구조조차 없다는 헤더 쿨릭의 말을 상기시켰습니다.

## 초전도체로 가는 길

설비가 다 자동화돼도 초전도체에 어떻게 닿느냐는 브랜던의 물음에, 쿠부크는 후보 화학 조성을 떠올리기는 어렵지 않고 합성이 어렵다고 답했습니다. 그는 니켈 산화물에서 실패하고 구리 산화물로 노벨상을 받은 알렉스 뮐러의 사례와, 2001년 39K 초전도가 보고된 이붕화마그네슘(MgB₂)을 들었습니다. 이론에서 나온 발견이 아니었고, 그의 기억으로는 일본 연구진이 3만 가지를 시도해 그중 30가지에서 흥미로운 초전도 신호를 봤다는 설명입니다. 그는 한 연구진이 평생 시도한 3만 가지를 한 달에 해 보는 것을 「행운의 표면적」을 넓히는 일이라고 불렀습니다.

> 아무도 상온 초전도체를 단번에 맞히지는 못할 겁니다.
> — 리엄 피더스, 페리오딕 랩스 (Latent Space)

swyx는 전진 배치 엔지니어링(고객사에 상주하며 자사 기술을 붙이는 일)이 지금 페리오딕의 주된 수익원이라고 짚었고, 피더스는 반도체 업계에 크게 집중하고 있다고 했습니다. 그는 보안이 엄격한 고객사 현장에 엔지니어와 연구자를 보내 자사 AI를 붙이고, 고객 데이터로 학습시켜 고객이 자기 지능을 소유하게 한다고 했습니다. 누리집은 칩 발열 문제를 겪는 반도체 제조사를 돕고 있다고만 밝혔고 이름은 공개하지 않았습니다. 피더스는 깃허브 코파일럿에서 코덱스로 넘어간 코딩처럼, 과학도 보조 도구에서 시작해 결과에 값을 매기는 단계로 갈 수 있다고 봤습니다.

녹음 중 브랜던은 큰 투자 유치 발표가 곧 나온다고 짚었고, 피더스는 멘로파크 실험실을 넘어 새로운 종류의 실험실과 연산을 늘린다고만 답했습니다. 포브스는 7월 초 [오픈라우터 대담에도 나온 안즈니 미다](/post/podcast-latent-space-openrouter-atallah-midha)의 AMP가 주도하는 투자를 보도했지만, 회사 발표는 확인하지 못했습니다. 페리오딕은 대학 연구실에 지원금을 주고 있고 그 첫 논문이 곧 나온다고 했으며, 원자 시뮬레이션 라이브러리 TorchSim을 만든 연구원 아비지트 간간은 JAX-MD 관리도 맡고 있습니다.

읽어 주셔서 고맙습니다.

초이 드림