AI Research Scientist

From 10 years to 1 year for materials discovery

Discovering Next-Generation Materials IP through AI Foundation Models and Automated Laboratories.

AI와 로보틱스로 소재 R&D의 패러다임을 혁신합니다.

지금까지의 소재 개발은 오랜 시간과 높은 비용이 드는 trial-and-error 과정이었습니다. 조성과 구조를 탐색하고, 시뮬레이션으로 검증하고, 실험으로 확인하고, 파일럿 단계로 넘어가는 과정에서 실패가 반복될 때마다 다시 처음으로 돌아가야 했습니다.

NanoForge AI는 이 과정을 새롭게 정의합니다. 우리는 소재를 하나씩 우연히 찾아내는 방식이 아니라, AI가 넓은 소재 공간을 동시에 탐색하고, 설계하고, 검증해 나가는 새로운 소재 개발 시스템을 만들고 있습니다.

그 중심에는 AI와 자동합성 시스템이 있습니다.

NanoForge AI는 소재 설계, 합성법 최적화, 자동 합성·측정·검증을 하나의 workflow로 연결합니다. AI가 후보 소재를 제안하는 데서 멈추는 것이 아니라, 실제로 합성하고 측정하며, 그 결과를 다시 모델과 데이터로 축적합니다.

소재 개발의 가장 큰 병목은 데이터, 특히 고품질 실험 데이터의 부족입니다. NanoForge AI의 automated laboratory는 data factory로서 반복 가능하고 표준화된 실험 데이터를 지속적으로 생산하며, 이를 통해 AI 모델과 소재 발굴 역량을 함께 고도화합니다.

우리는 이를 바탕으로 강력한 소재 포트폴리오를 구축하고, 산업 최전선에서 필요한 양산 가능한 신소재를 계속해서 찾아내고 개발하는 글로벌 AI-native 소재 파운데이션 기업이 되고자 합니다.

Build AI models that understand materials and turn materials data into discovery.

NanoForge AI의 AI for Materials 팀은 소재를 이해하고, 탐색하고, 설계하기 위한 핵심 AI 모델을 만듭니다.

당신의 미션은 소재의 조성, 구조, 원자 간 상호작용, 전자구조, 물성 사이의 관계를 학습하는 AI 모델을 만드는 것입니다.

AI Research Scientist는 NanoForge AI가 자사 소재 탐색, 산업 PoC/JDP, 자동화 실험에서 축적되는 데이터를 장기적인 모델 역량과 소재 포트폴리오로 전환하기 위한 핵심 연구 포지션입니다. 현재는 inorganic materials를 중심으로 문제를 다루며, 향후 다양한 소재 영역에서 반복적으로 활용될 수 있는 AI 모델을 연구하고 개발합니다.

이 role은 단순한 property predictor를 만드는 것에 그치지 않고, 소재 안에 존재하는 물리 지식과 해석 가능한 물리량을 모델이 학습할 수 있도록 만드는 역할입니다.

Agentic AI Research Engineer가 모델, 데이터베이스, 계산 도구, 실험 workflow를 연결해 실제 소재 R&D 과정에서 작동하는 system layer를 구축한다면, AI Research Scientist는 그 system 안에서 사용될 핵심 model layer를 만듭니다. 이 role의 중심은 소재의 조성·구조·원자 환경·전자구조·물성 사이의 관계를 학습하는 AI 모델 자체를 설계하고 학습시키는 것입니다.

또한 Materials Discovery 팀의 ML Engineer가 특정 소재 프로젝트에서 모델을 screening, prediction, optimization, ranking pipeline으로 적용한다면, AI Research Scientist는 여러 소재 문제에 반복적으로 활용될 수 있는 범용적이고 확장 가능한 모델링 capability를 개발합니다.

• 소재 조성, 결정 구조, 원자 환경, 전자구조, 물성 데이터를 학습하는 materials foundation model 계열의 핵심 AI 모델을 연구하고 구현합니다.
• property prediction, atomistic foundation model, MLH/MLIP-style model, crystal structure generation model 등 소재 AI 문제를 정의하고, 개인의 전문성에 따라 특정 모델 영역을 깊게 개발합니다.
• 소재 개발에 필요한 다양한 물리량, 구조 정보, 실험·계산 결과를 예측하거나 생성하는 AI 모델을 연구하고 개발합니다.
• 모델의 accuracy, generalization, uncertainty, physical consistency, extrapolation capability를 평가하기 위한 benchmark와 evaluation framework를 설계합니다.
• 같은 AI for Materials 팀의 Agentic AI Research Engineer, Materials Discovery 팀의 Materials Scientist 및 ML Engineer와 협업하여 모델이 실제 소재 탐색 문제에서 반복적으로 활용될 수 있도록 prediction target, training data requirement, model interface, evaluation 기준을 정의합니다.

• 석사 또는 박사 수준의 AI/ML 연구 역량을 바탕으로, deep learning 모델을 직접 구현하고 실험해본 경험이 있으신 분
• Python 및 PyTorch 기반으로 모델 학습, 실험 설계, ablation, error analysis, 성능 개선을 반복해본 경험이 있으신 분
• graph neural network, geometric deep learning, transformer 중 하나 이상에 대한 구현 경험 또는 깊은 이해가 있으신 분
• 복잡하고 모호한 scientific problem을 machine learning problem으로 정의하고, data, target, architecture, loss, evaluation으로 구조화할 수 있으신 분
• 재료공학, 화학, 물리학 전공이 아니더라도 새로운 과학·공학 도메인을 빠르게 학습하고, 모델이 예측하는 물리량의 의미와 failure mode를 깊게 이해하려는 태도가 있으신 분
• 한국어로 기본적인 소통이 가능하신 분

• AI4Science, scientific ML, chemistry AI, materials AI, materials informatics 경험
• Graph neural networks, equivariant neural networks, diffusion models, transformers 등 구조적·생성형 AI 모델 경험
• DFT, MD, MLIP, NEB, AIMD 등 atomistic simulation 및 computational materials workflow 이해
• pymatgen, ASE, Materials Project API, NOMAD, OQMD 등 materials data ecosystem 사용 경험
• 합성 가능성, 측정·분석 결과, 물리적 제약을 모델링 과정에 반영한 materials AI 경험

• Python, PyTorch, deep learning model training
• Representation learning, self-supervised learning, foundation model pretraining
• Graph neural networks, geometric deep learning, equivariant neural networks, transformers
• Property prediction, atomistic foundation models, MLH models, MLIP/force field models
• Crystal structure generation, synthesis-aware prediction, XRD/spectrum-based structure inference

• 실제 소재 문제에서 출발하되, 이 role의 핵심 output은 workflow system이 아니라 반복적으로 사용할 수 있는 AI model capability입니다.
• 모델 개발은 architecture 하나를 바꾸는 작업으로 보지 않습니다. 소재 데이터를 어떻게 표현할지, 어떤 물리량을 학습 목표로 둘지, 어떤 데이터와 평가 기준으로 모델을 개선할지를 함께 설계합니다.
• 모델은 benchmark score만으로 평가하지 않습니다. 물리적으로 타당한지, 새로운 소재 영역으로 일반화되는지, 불확실성과 failure mode를 설명할 수 있는지를 함께 봅니다.
• 계산, 실험, 자동화 lab에서 나온 feedback은 모델 calibration, fine-tuning, data selection, evaluation 개선으로 이어집니다. NanoForge AI의 장기적인 경쟁력은 모델과 데이터가 함께 좋아지는 flywheel에서 나옵니다.
• 소재 지식은 입사 후에도 학습할 수 있습니다. 다만 소재 문제를 단순한 prediction task로 축소하지 않고, 조성·구조·전자구조·물성 사이의 관계를 모델이 어떻게 학습해야 하는지 고민하는 태도를 중요하게 봅니다.

1. Application Review / 서류 검토
   지원자의 경험, 문제 해결 방식, role fit을 검토합니다.
2. Initial Screen / 초기 인터뷰
   지원자의 핵심 경험, 관심사, 커뮤니케이션 방식, NanoForge AI와의 기본 fit을 확인합니다.
3. Technical Deep-dive / 기술 심층 인터뷰
   실제 문제를 어떻게 정의하고 해결하는지, 복잡한 문제를 어떻게 구조화하는지, 빠르게 학습하고 실행하는 역량이 있는지 확인합니다.
4. Founder Round / 최종 인터뷰
   회사의 방향성, 역할 기대치, 성장 가능성, 장기적 fit을 논의합니다.
5. Offer & Onboarding / 처우 협의 및 합류
   처우를 협의하고, 합류 일정과 초기 역할 범위를 정리합니다.