그러나 MEG 태양전지는 소재, 구조, 공정, 상업화, 내구성, 환경성 등 여러 측면에서 현실적 한계에 부딪혀 있다. 본 보고서에서는 이러한 한계를 정리하고, 최근 연구와 미래 아이디어를 기반으로 구체적이고 혁신적인 극복 방안을 제시한다.

다중 엑시톤 생성(MEG) 기반 태양전지의 상용화와 고효율화에는 여러 기술적·현실적 한계가 존재한다. 첫째, 소재 측면에서 현재 가장 활발히 연구되는 양자점(Quantum Dot) 소재들은 높은 MEG 효율을 보이지만, 대표적으로 사용되는 카드뮴(Cd)과 납(Pb) 기반 양자점은 환경적 독성과 안정성 문제가 크다. 이러한 한계를 극복하기 위해 실리콘(Si), 인(P), 탄소(C) 등 친환경 원소 기반 양자점이 대안으로 제시되지만, 이들은 현재로서는 MEG 효율이 낮거나 대량합성에서 결정의 균일성 및 수율 확보가 어렵다는 문제가 있다.

이러한 소재 한계를 극복하기 위한 구체적 혁신으로, 최근에는 합금형(다원소) 양자점이 주목받고 있다. 예를 들어, 실리콘과 게르마늄을 혼합한 Si-Ge 양자점의 경우, 두 원소의 비율을 정밀하게 조정함으로써 태양광 흡수 파장대(밴드갭)와 전하 이동성, 그리고 MEG 효율을 동시에 향상시키는 것이 가능하다. 실제로 최근 논문에 따르면, Si₀.₇Ge₀.₃ 양자점은 기존의 Cd나 Pb 기반 양자점에 준하는 MEG 양자효율을 나타내면서도 무독성이라는 친환경 장점을 가진다. 인(P) 기반 양자점에 주석(Sn)이나 셀레늄(Se)을 첨가하는 경우도, 결함 밀도 감소와 빛 흡수대역 확장, 산화 안정성 향상 등 여러 방면에서 기존 한계를 보완하고 있다. 또한, AI 및 머신러닝 기술을 활용해 수많은 원소 조합과 합금형 양자점의 MEG 특성을 이론적으로 예측·선별하는 연구도 빠르게 발전하고 있어, 향후 실험실과 산업 현장에서 소재 개발의 효율성이 크게 향상될 것으로 기대된다.

한편, 엑시톤 분리 및 수집 구조의 혁신 역시 필수적이다. 다중 엑시톤이 만들어져도 이들이 재결합되지 않고 실제로 전하로 추출되어야만 태양전지 효율 향상으로 이어진다. 이와 관련해 그래핀, MoS₂ 같은 2차원(2D) 소재와 양자점을 계면에서 결합해, 엑시톤 분리 및 전하 이동을 빠르고 효율적으로 유도하는 하이브리드 구조가 개발되고 있다. 예컨대, Si-Ge 양자점과 그래핀의 복합구조에서는 전자는 그래핀 계면으로, 정공은 별도의 전극으로 유도해 엑시톤 분리 효율을 크게 높인다. 또한, 양자점 내부에 나노와이어 또는 탄소나노튜브 네트워크를 구축해 다중 엑시톤이 재결합되기 전에 전하를 초고속으로 추출하는 방법도 실제 실험에서 상당한 성과를 내고 있다. 이러한 나노구조적 접근과 더불어, 자기조립(Self-assembled) 계면 기술을 적용해 대면적에서도 결함이 적고 품질이 균일한 계면을 형성하는 사례도 증가하고 있다.

더불어, 다중 파장 활용과 하이브리드(복합) 구조의 혁신은 MEG 기반 태양전지의 현실적 효율 한계를 돌파할 열쇠다. 기존 단일 소재의 태양전지는 태양광 스펙트럼 전체를 효율적으로 이용하지 못하는 한계가 있다. 이를 극복하기 위해, 프리즘이나 스펙트럼 분할 필터를 이용해 태양광을 파장별로 나누고, 자외선·청색광은 MEG 양자점층에, 가시광선·적외선은 실리콘이나 페로브스카이트층에 각각 흡수시키는 하이브리드 시스템이 개발되고 있다. 이런 방식은 실제로 기존 단층 태양전지에 비해 30~40% 이상의 광전변환 효율을 기대할 수 있다. 또한, 롤투롤 인쇄공정 등 저온, 저비용 대면적 제조기술을 활용해 다양한 소재층을 모듈화하고 맞춤형 하이브리드 구조로 구현하는 시도 역시 상업화와 확장성 측면에서 중요한 진전이다.

마지막으로, 내구성과 상업화의 혁신도 동시에 요구된다. MEG 태양전지의 소재와 구조가 아무리 혁신적이어도, 실제 환경에서 오랜 시간 안정적으로 동작해야만 상용화가 가능하다. 이를 위해 최근에는 외부 충격이나 열화에 스스로 대응하는 셀프-힐링 나노코팅, 장기 신뢰성 강화를 위한 스마트 패키징, AI 기반의 실시간 품질관리와 결함 예측 기술이 적용되고 있다. 더 나아가, 태양전지 생산-사용-폐기 전 과정이 환경 친화적으로 설계된 순환체계를 구축해, 궁극적으로 진정한 친환경 신재생 에너지 실현을 목표로 하는 연구도 확산되고 있다.

이처럼 MEG 기반 태양전지의 한계 극복을 위한 혁신적 방안들은 소재(친환경 합금형 양자점, AI 기반 조성 예측), 구조(2D 하이브리드, 나노구조 네트워크, 자기조립 계면), 시스템(스펙트럼 분할/하이브리드 모듈), 내구성 및 공정(AI/스마트 코팅/재활용 설계) 등 여러 차원에서 동시에 진화하고 있다. 앞으로는 이런 복합적 혁신이 실질적으로 결합되어야만 MEG 태양전지의 상업화, 친환경성, 고효율성, 경제성이라는 네 마리 토끼를 모두 잡을 수 있을 것이다.

A1.

먼저, ‘AI는 사람이 아니다.’가 이 질문에 대한 답의 핵심이 될 것이라고 생각한다. AI는 인간에게 강제성을 부여하기 어려우며, 예외가 있을 수 있지만 사회적·정서적 관계를 맺을 수 없다. AI가 칭찬 등의 정서적 보상을 학생에게 제공한다고 한들 학생이 이것을 유의미한 보상이라고 느낄까? AI가 과제를 해오지 않은 학생에게 체벌을 할 수 있을까? 학생의 공부 동기에는 분명 보상과 벌, 당근과 채찍이 중요하게 작용하며, 선생과 학생 간의 정서적 관계도 크게 작용한다. 자신이 좋아하는 선생님의 과목에서 학생이 더 좋은 점수를 받으려 노력하는 것이 그 예이다. AI는 학생에게 그 어떤 정서적 체벌과 보상을 줄 수 없고, 유의미한 사회적 관계도 형성할 수 없다고 생각한다. 따라서 AI가 현재 교육현장의 선생님의 역할을 대체하는 것은 불가능하다고 본다. 그 대표적 사례로 코로나 사태의 온라인 학습을 예로 들 수 있을 것이다. 학교가 아닌 장소에서 선생님의 관리도 없는 상황에, 당연하게도 학생은 주어진 과제를 하기보단 친구들과 롤을 하는 선택을 하게 된다. 학생에게 성적 이외의 그 어떠한 보상과 벌이 주어지지 않기 때문이다. 물론 온라인 학습은 대충 해도 해결이 되기에 성적에도 영향이 가지 않았다. 이 부분은 AI의 학생의 학습 수행 판단 기준 확립이라는 또 다른 과제일 것이다.

결론적으로, 나는 AI는 선생님과 학생과의 관계에서 학생이 사용할 또 다른 학습 도구가 되어야 한다고 생각한다. 만일 그 이상의 역할을 AI가 수행하게 된다면, AI가 학력저하 해결이 아닌 학력저하 심화의 코로나 사태에 이은 또 다른 교육계의 재앙을 낳을 것이라고 생각한다.

Q2. AI의 맞춤형 교육이라는 것이 어떤 의미인가?

A2. AI의 맞춤형 교육이라는 것은 학생의 학업 능력, 학습 분야, 학습 진도 등 현재 AI가 학생 개인에게 맞춰줄 수 있는 것들을 말한다. 과외와 같은 것이라고 보면 된다.

NASA와 유럽우주국(ESA)은 지구 온난화와 기후변화의 핵심 원인인 이산화탄소(CO₂)를

정확하게 추적하고 감시하기 위해 위성 기반 탄소 추적 시스템(OCO-2, CO2M 등)을 개발함,.

이 시스템은 위성·지상·항공 데이터를 통해 대기 중 탄소 농도를 실시간으로 측정하고,

AI는 이를 분석해 ‘누가, 어디서, 얼마나’ 탄소를 배출하거나 흡수하는지를 구분함.

AI는 과거 패턴 학습, 기상·환경 데이터 결합, 탄소 이동 시뮬레이션 등을 통해

탄소의 원인을 정밀하게 식별하고, 미래 배출 예측과 정책 효과 검증에도 사용됨.

실제 사례로는 미국 도시들의 자가보고 배출량 오류(18% 낮게 보고됨) 검증이 있음.

——————————————————————————————————————

AI는 스마트 그리드나 데이터센터와 같은 환경에서,

기온, 습도, 시간대, 장비 작동 상태, 전력 소비량 등 수많은 데이터를 수집한 뒤,

과거 데이터를 학습해 전력 사용 패턴과 최적의 작동 조건을 예측함.

머신러닝이나 딥러닝(예: 지도학습, 강화학습) 기술을 이용해

“어떤 조건일 때 전기를 가장 적게 쓰는지”를 학습한 데이터를 바탕으로 파악하고,

냉방장치 작동 시간, 풍력·태양광 발전 활용, 저장전력 사용 시점 등을 실시간으로 조절함.

예를 들어, 구글 딥마인드는 문제를 AI를 통해 해결함.

딥마인드 AI가 외부 온도, 습도, 기기 작동 상태, 내부 열기 흐름, 냉각장치 작동 기록를 입력받고, AI가 딥러닝으로 냉각 효율이 가장 좋은 방법을 학습함. 그 다음으로 실시간으로 냉각장치 가동 시점, 팬 회전 속도, 공기 흐름, 에너지 사용량 최적화를 조절함

그 결과로 자사 데이터센터의 냉각 시스템을 자동 제어하여 냉방 관련 에너지 소비를 40% 줄이는 데 성공했고,

이 기술은 현재 도시 전력망과 공장 에너지 관리 시스템에도 점차 확대 적용되고 있음

———————————————————————————————————————-

AI는 태양광·풍력 발전처럼 날씨에 따라 출력이 불안정한 재생에너지를 효율적으로 활용하기 위해

기상 정보, 시간, 과거 발전 기록, 센서 데이터를 학습하여 발전량을 미리 예측함.

이 예측 결과를 기반으로, 에너지 저장 장치(ESS)와 기존 발전소의 출력을 자동으로 조절해

전력 수요를 안정적으로 맞추고 에너지 낭비를 줄임

⸻

작동 과정

1. 데이터 수집

–> 일사량, 풍속, 구름량, 시간, 계절, 과거 발전 기록 등 다양한 정보를 실시간 수집

2. AI 예측 모델 학습 및 예측

–> 머신러닝/딥러닝 기반 모델이 데이터를 학습하여

“언제, 얼마나 발전할 것인지” 예측

3. 에너지 공급 자동 조절

–> 발전량이 부족할 것으로 예측되면

            ▸ 저장된 전기(ESS)에서 필요한 전력을 자동 방출하거나

            ▸ 화력발전소를 부분 가동해 부족분을 보충

      –> 발전량이 많을 땐 전기를 저장하거나, 타지역에 보내도록 조절

4. 스마트 그리드와 연동

      –> AI는 전력망 제어 시스템(EMS)과 직접 연결돼

            배터리 사용·발전소 가동·전력 배분을 사람 개입 없이 실시간 조절

⸻

실제 사례로는 덴마크·네덜란드 스마트 그리드:

풍력 발전 중심 국가에서 AI가 풍속 데이터를 예측해

전력 저장, 보조 발전 가동 등을 자동 조절하며

정전 없는 재생에너지 중심 전력 시스템을 운영 중

1. 체감온도

–> 기온과 습도를 결합한 지표로, 실제 인체가 느끼는 더위 수준을 나타냄

–> 폭염 피해와 직접 관련 있는 과학적 기준이며,

AI가 실시간 기상 데이터를 바탕으로 위험 지역을 정확히 예측할 수 있음

                  세계기상기구(WMO)와 미국 CDC는 폭염 경보 기준을 Heat Index로 설정함.

–> AI가 실시간 기온·습도를 등의 데이터를 결합해 체감 온도 비교를 통해 위험 지역 자동 분

          류 하도록 구성함.

⸻

2. 취약계층 밀집도

–> 노인, 독거노인, 만성질환자 등은 폭염 사망 위험이 매우 높음

실제 2023년 기준, 한국 온열질환 사망자 60% 이상이 65세 이상 고령자임

–> AI가 인구·건강·주거 데이터를 분석해,

누구를 우선 보호해야 할지 지역별로 자동 판단 가능함

⸻

3. 냉방 인프라 접근성

–> 쿨링센터나 냉방 쉼터에 얼마나 빨리 도달할 수 있는지가 생존에 큰 영향을 미침

–> AI는 교통망, 건물 밀도, 거동 정보 등을 통해선 냉방 지원이 부족한 지역을 선별하고 자원을 우선 배치함

예시 활용으로는 “반경 500m 이내 쿨링센터 없음 + 거동불편 고령자 존재 → AI가 냉방 이동차량 긴급 배치 명령” 이런 식으로 활용 가능함.

결론은 전 세계가 폭염·홍수·가뭄 같은 기후재난을 AI로 미리 예측하고, 자동으로 대응하는 체계로 전환될 것임.왜냐하면 AI는 현재 기온, 습도, 바람, 토양 상태, 인구 밀집도, 기반시설 데이터를 실시간으로 수집 중임. 그 다음 과거 수십 년간의 재해 발생 패턴을 학습하고 현재 상황을 판단함. 예시로 들면 “지금 이 조건이면 6시간 후 폭염 피해가 발생할 가능성 87%” 식으로 예측 가능“ 이런식으로예측 가능한 시대가 올것임

요약하자면 기후 재해 피해는 예전보다 훨씬 빠르게 대응되고, 피해율도 낮아지며, 기후 회복력이 강한 사회로 진입 가능하게 될 것임

최근 한 뉴스에서 2019년도 테슬라 자율주행 문제로 사망한 가족들이 소송을 하여 자율주행 사고 책임을 테슬라에 묻는 첫 연방 배심원 재판이 열렸다는 소식을 접함. 인공지능이 스스로 판단하여 사고를 낸것인데 여기서 인공지능이 인간을 죽인 것에서 윤리적 문제도 있지만, 인공지능을 여기서 더 발전시켜야 하나라는 의문점이 생김.

현 AI적용 현황

현재 테슬라의 자율주행 같은 경우 레벨2까지 도달함.

대규모 영상 학습을 위한 인공지능 슈퍼컴퓨터 '도조'가 탐재됨. 

차선 유지, 차선 변경, 크루즈 컨트롤, 자동 주차, 스마트 써먼, FSD 등 다양한 기능을 제공함. 

음성 인식 + 자연어 처리를 탑재하여 음성 명령을 AI가 인식하여 처리해줌.

문제점

시스템의 한계 -복잡한 교통 상황이나 예측 불가능한

상황에 대한 인지 및 대처 능력이 부족, 인공지능 주도 판단

운전자의 과신 및 부주의-자율주행 기능을 지나치게 신뢰하여 전방 주시 의무를 

소홀히 하거나 시스템 경고를 무시하는 경우

대안

라이다 센서나 밀리미터파 레이더를 함께 사용하는 것이다.

HW5와 도조 비전 기반 학습을 강화시켜 인식/ 제어 능력 향상시킴.

HD맵 활용으로 정밀한 지도를 활용해 예외 상황 대응력을 높임.

운전자는 핸드폰을 자동차 잠금장치에 넣어야 시동이 걸리게 설정

이동거리 10km 이내에서만 자율주행 사용

자율주행 사고 시 기업과 운전자에게 책임을 분배

미래에 대한 예상

빠른 판단으로 사고 횟수를 줄이고, 복잡한 교통 혼잡이나 환경 문제에서도 빠른 판단을 할 수 있고, 순간 대응력을 증진시킬 것음.

운전 부주의로 인한 사고를 줄이고, 예전과 똑같이 인간의 직접적인 운전이 증가하므로 사고 감소시킴.

인공지능에게 책임을 가지게하는지에 대한 문제점을 기업과 운전자가 책임을 나누어 가져 법적 제도에 대한 한계를 쉽게 해결할 수 될 것임.

교통 혼잡과 운전중 운전자간의 싸움을 줄일 수 있음.

인애: 사람마다 다르게 받아드릴 것 같음. 근데 AI 성능 너무 좋으면 점점 많은 사람이 받아들이게 될 것

하랑: 사ㅊ회적 전파 주변에서 하면 결국 하게 되있음

예진:  사람마다 다름(긍정적으로 생각하는 사람 or 부정적으로 생각하는 사람으로 나뉨). 사전에 동의를 구하거나 국가나 기업들이 개인정보 수집에서 발생할 수 있는 문제를 해결할 수 있는 방법 등을 제시하고 실천할 필요가 있디고 생각함.

쌤 질문2: ai가 실제로 인간을 대체하는것이 효과가 있을까?

인애: 나 영어 발표할 때 나도 모르고 주변 사람도 나 긴장한지 몰랐는데 나 너무 긴장해서 심박수 올라가길래 그거 보고 명상하고 발표함. 이렇게 AI는 사람이 깨닫지 못한 부분까지 세세히 분석 가능하고 부분적이게만 분석하지 않음. 그에 따라 해결책 제시하면 분명 효과 있을 것

하랑: 애플워치를 활용하여서 내가 얼마나 움직였는지 판단하고 그리고 오랫동안 아무런 움직임 없이 가치적이지 않은 활동을 한 뒤에는 심박수 증가를 발견하고 내가 불안감을 느낀다는 것을 파악하고 산책을 하는 등의 활동으로 효과를 본 적이 있음. ai가 인간을 대체하였을 때 도움이 될것이라고 생각하는 이유는 ai가 인간보다 더욱 객관적인 판단자가 될 것이라고 생각하기 때문이다. 인간은 단순한 겉모습을 보고 판단하는 경우가 대다수이지만 ai는 더욱 정교한 데이터 수집으로 객관적인 판단이 가능하다고 생각함.

예진: 완전히 대체는 어렵기에 대체보다는 보완이 가능하다고 생각함. 인간은 AI와 같이 규칙적이고 정밀한 관측이 어렵운 경우가 많고 24시간 작동이 어려움. 인간의 주관적인 판단이 개입될 가능성이 큼. 웨어러블 헬스케어 기기와 같이  AI는 실시간 건강 정보 제공이 가능하기에 의료 전문가가 원격으로 환자의 상태를 바로바로 체크할 수 있다는 부분에서 인간이 해결하지 못하는 부분을 보완할 수 있다고 생가감

생각 차이점.왜 이러한 행위를 중독으로 인식하지 못할까?

인애 왈: 주변에서도 다 하니까 나도 괜찮다고 생각, 알콜중독처럼 즉각적인 반응 안나옴, 쉽게 조절 가능하다고 착각

하랑 왈: 감정 변화를 인지하지 못해서 중독이라고 인식을 못하는데 감정 변화를 어케 체크함?

예진 왈: 만약 스트레스라는 환경적인 요소에 의해서 이런 중독 증상이 이러나는데 감정적인 변화가 있어서 중독이 아닌 환경적인 요소에 대한 문제를 해결하는 방식이라고 생각해서 중독이라고 인식하지 않는거 아닐까?