Materials 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.

Turn real materials problems into discoverable and developable materials.

Materials Scientist는 NanoForge AI의 AI model, agentic workflow, automated laboratory를 활용해 실제 후보 소재를 탐색하고 검증하며, 이를 개발 가능한 소재로 발전시키는 materials researcher입니다.

NanoForge AI의 Materials Discovery 팀은 AI model, scientific workflow system, automated laboratory를 실제 소재 문제에 적용해 후보 소재를 탐색하고 검증합니다. 이 role은 그 과정에서 소재와 공정에 대한 전문성을 바탕으로 중요한 소재 문제를 연구 가능한 질문으로 정의하고, 후보 소재 가설을 세우며, 그 가설이 실제로 검증될 수 있는 방향을 제시합니다.

Materials Scientist는 특정 소재와 공정에 대한 깊은 이해를 바탕으로 공정-조성/구조-물성-성능 관계를 해석합니다. 어떤 후보가 물리적으로 의미 있는지, 어떤 조성·구조·공정 조건이 가능성이 있는지, 어떤 실험과 평가를 통해 후보 소재의 가치를 검증할 수 있는지를 판단합니다.

ML Engineer가 screening, prediction, optimization, ranking, evaluation pipeline을 구현한다면, Materials Scientist는 어떤 소재 문제가 중요한지, 어떤 후보가 물리적으로 의미 있는지, 어떤 제약과 검증 기준이 필요한지를 정의합니다. 두 role은 서로의 영역을 일정 수준 이해하며 함께 실제 소재 discovery output을 만들어갑니다.

이 role의 핵심 output은 AI가 제안한 후보를 소재 연구 관점에서 해석하고, 검증 우선순위를 정하며, 실제 합성·분석·성능 평가로 이어질 수 있는 후보 소재 개발 방향을 만드는 것입니다.

• 실제 소재 문제를 materials target, process/composition/structure constraint, performance requirement, validation criterion으로 구조화합니다.
• 논문, 특허, 소재 데이터베이스, 계산 결과, 실험 결과를 바탕으로 candidate hypothesis를 세우고 후보 소재의 물리적·공정적 타당성을 연구합니다.
• NanoForge AI의 AI model과 agentic scientific workflow system을 어떻게 활용해 후보 소재를 탐색하고 검증할지 discovery strategy를 설계합니다.
• 합성 가능성, 제조 가능성, characterization/evaluation 가능성을 고려해 후보 소재의 우선순위와 검증 경로를 정의합니다.
• ML Engineer, AI for Materials, Lab Automation 기능과 협업하여 실제 소재 문제를 반복 가능한 discovery workflow와 technical output으로 발전시킵니다.

• 재료공학, 화학, 화학공학, 물리학, 기계/전기전자/에너지 관련 분야에서 석사 이상 수준의 연구 경험 또는 이에 준하는 소재 산업계 경험이 있으신 분
• 특정 무기 소재 영역에서 실제 연구, 개발, 공정, 평가, 계산 또는 산업 적용 경험을 바탕으로 후보 소재의 가능성과 한계를 판단할 수 있으신 분
• 공정-조성/구조-물성-성능 relationship을 이해하고, 후보 소재의 의미와 한계를 소재 도메인 관점에서 해석할 수 있으신 분
• 복잡한 소재 요구사항을 target, constraint, candidate hypothesis, validation strategy로 구조화할 수 있으신 분
• 기본적인 ML, data analysis, AI/agentic tool에 대한 이해를 바탕으로 AI/ML 팀과 함께 소재 discovery workflow를 설계하고 실행할 수 있으신 분
• 한국어로 기본적인 소통이 가능하신 분

Materials Scientist role은 하나 이상의 무기 소재 영역에서 깊이 있는 전문성을 보유한 분을 우대합니다. 특히 아래 소재군에서 실제 연구, 개발, 공정, 평가, 계산 또는 산업 적용 경험을 가진 분을 적극적으로 찾고 있습니다. 다만 특정 소재군에만 한정하지 않으며, 인접 소재 도메인을 빠르게 학습해 후보 탐색과 검증 전략으로 연결할 수 있는 역량 역시 중요하게 봅니다.

• Battery materials: cathode materials, solid electrolytes, ionic conductors, dopant/coating/composition optimization 경험
• Semiconductor and electronic materials: high-k dielectrics, wide-gap insulators, electronic oxides, defect/interface-sensitive materials 경험
• Magnetic metals and functional alloys: magnetic metals, high-performance alloys, multi-component alloy systems 경험
• Other inorganic functional materials: ceramics, oxides, chalcogenides, halides, thermoelectrics, superconductors 등 경험

• DFT, MD, MLIP, DFPT, NEB, AIMD, CALPHAD 등 computational materials workflow의 결과를 읽고 해석해본 경험
• XRD, SEM/EDS, XPS, Raman, electrochemical evaluation 등 characterization/evaluation 결과를 후보 탐색과 검증 전략으로 연결해본 경험
• 합성 가능성, 공정 가능성, 측정 가능성을 고려해 후보 소재의 타당성을 판단해본 경험
• 논문, 특허, 소재 데이터베이스를 활용해 후보 소재를 탐색하고 material domain hypothesis를 세워본 경험
• 소재별 domain logic을 AI model, agentic workflow, automated laboratory feedback과 연결해본 경험

• Inorganic materials, crystal structure, composition space, defects, doping, phase stability
• Process-composition/structure-property-performance relationship
• Synthesis feasibility, manufacturing constraint, characterization, evaluation strategy
• XRD, SEM/EDS, XPS, Raman, electrochemical evaluation 등 소재 분석·평가 결과 해석
• Materials database, literature/patent search, AI-assisted materials discovery, basic Python/data analysis

• 실제 소재 문제에서 출발해 후보 물질 탐색, 검증 기준, 개발 전략으로 빠르게 구조화합니다.
• 소재 도메인 전문성을 바탕으로 AI model과 agentic workflow가 어디에 쓰여야 하고, 어디에서 조심해야 하는지 판단합니다.
• 좋은 소재 가설은 빠르게 후보 탐색과 검증 계획으로 바꾸고, 좋은 검증 결과는 반복 가능한 discovery workflow로 발전시킵니다.
• 이 role은 단순히 조언만 하는 자리가 아닙니다. 문제를 이해하고, 스스로 구조화하고, ML Engineer 및 AI/Lab 팀과 함께 실행 가능한 output을 만들어내는 역량을 기대합니다.
• 하나의 소재 영역에 대한 깊이를 중요하게 봅니다. 동시에 새로운 소재 도메인을 빠르게 학습하고, 그 domain logic을 NanoForge AI의 AI-native materials R&D system에 연결할 수 있어야 합니다.

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.