Computational Screening: 로레알, 원료 조합 탐색을 수개월 실험에서 수시간 계산 선별로

로레알은 원료 조합을 실험실에서 하나씩 만들어 보기 전에 분자 시뮬레이션으로 먼저 거릅니다. NVIDIA는 이 방식으로 원료 탐색이 수개월 실험에서 수시간 계산 선별로 바뀌었다고 전합니다. 따라 하려면 시뮬레이션 모델을 고르기 전에, 계산이 매긴 순위가 우리 실험 결과와 맞는지부터 확인해야 합니다.

요약

NVIDIA 블로그는 2026년 10월 21일(Mavi Nafria) GTC Berlin 발표와 함께 유럽 소매·소비재 기업이 오픈 모델과 피지컬 AI(시뮬레이션·로봇처럼 물리 세계를 다루는 AI)를 쓰는 사례를 묶어 소개했습니다. 벤더가 자사 기술을 쓰는 고객 사례를 모은 글이고 수치는 각 회사와 NVIDIA가 발표한 값입니다. 이 노트는 그중 로레알(L’Oréal)에 초점을 둡니다. 로레알은 NVIDIA ALCHEMI(화학·소재 시뮬레이션을 GPU로 가속하는 NVIDIA 도구 모음)를 연구 워크플로에 넣었습니다. Orbital Industries의 CurieOS도 시험하고 있습니다. CurieOS는 Orbital이 과학·공학용 운영체제라고 부르는 AI 워크플로로, 오픈소스 분자 시뮬레이션 모델 OrbMol-v2와 ALCHEMI Toolkit을 함께 씁니다. 로레알이 노리는 것은 UV 필터(자외선을 막는 화장품 성분)를 잘 녹여 주는 원료 조합을 실험실 시험 전에 골라내는 일입니다.

원문은 이 변화를 “months of experimentation to hours of computational screening”이라고 적습니다. 수개월 걸리던 실험 위주 탐색이 수시간짜리 계산 선별로 바뀌었다는 뜻입니다. 모델 수치도 함께 나옵니다. OrbMol-v2는 비교 대상 모델보다 5배 빠르고 같은 종류의 차순위 모델보다 오차가 21% 낮습니다. 로레알은 마케팅 쪽에서도 같은 순서를 씁니다. CreAItech 프로그램에서 Omi의 디지털 트윈(브랜드가 승인한 제품 3D 복제본)에 AI가 만든 브랜드 배경을 붙여 광고 이미지를 만듭니다. 연구실에서는 시뮬레이션이, 마케팅에서는 승인된 트윈이 확정 전 확인 단계를 맡습니다. 같은 글에는 Shopify, Zooplus, Photoroom, Mirakl, Otto Group, ALLSIDES, CATCHES 사례도 실려 있어 보조 자료로 함께 정리했습니다. 아래에서는 계산 선별이 어떻게 작동하는지 풀고 우리 R&D에 옮길 때 필요한 데이터 필드·검증 기준·일정을 덧붙입니다.

핵심 메커니즘

Computational Screening: 실험 전에 후보를 계산으로 깎는 깔때기

원료 조합 후보를 계산으로 평가해 순위를 매기고 상위 조합만 실험실로 보내는 방식입니다. 입력은 후보 원료 목록과 배합 조건입니다. 로레알의 경우 녹여야 할 UV 필터와 그것을 녹일 보조 원료, 그리고 비율이 여기에 들어갑니다. 처리 단계에서는 조합마다 분자 시뮬레이션을 돌려 원료가 섞였을 때 분자끼리 얼마나 잘 어울리는지를 계산합니다. 출력은 녹임 성능 순위와 실험 추천 목록입니다. 후보가 실험으로 다 확인할 수 없을 만큼 많고 원하는 성질이 분자 사이 상호작용으로 설명될 때 맞습니다. 향이나 발림성처럼 사람이 느껴야 판단되는 성질, 후보가 몇 개뿐인 문제에는 이득이 작습니다.

작은 예시(가상): UV 필터 1종에 녹임 보조 원료 후보 40종이 있고 그중 2~3종을 섞는다고 해 봅니다. 조합 수는 780 + 9,880 = 10,660개입니다. 비율을 3단계씩만 바꿔도 몇만 개로 늘어납니다. 실험실이 일주일에 수십 개를 만든다면 다 볼 수 없는 규모입니다. 계산 선별은 이 목록을 상위 수십 개로 줄여 실험실에 넘깁니다.

OrbMol-v2: 양자화학 계산을 빠르게 흉내 내는 분자 시뮬레이션 모델

OrbMol-v2는 Orbital Industries가 공개한 오픈소스 분자 시뮬레이션 모델입니다. 이런 모델을 MLIP(machine-learned interatomic potential, 원자 사이 힘과 에너지를 예측하는 머신러닝 모델)라고 부릅니다. 입력은 원자 종류와 좌표이고 출력은 그 배치의 에너지와 각 원자에 걸리는 힘입니다. 이 힘으로 원자를 조금씩 움직이면 분자동역학(MD, 분자가 시간에 따라 움직이는 모습을 계산하는 방법)이 됩니다. 정확한 양자화학 계산인 DFT(밀도범함수이론)는 느려서 수천 개 조합에 돌리기 어렵습니다. MLIP는 DFT 결과를 학습해 비슷한 답을 훨씬 빨리 냅니다. 첫 버전 OrbMol의 공개 페이지에 따르면 Orb-v3 구조를 쓰고 OMol25(1억 건이 넘는 DFT 계산 묶음)로 학습했습니다. 전하와 스핀을 입력으로 받고 Apache-2.0 라이선스입니다. v2의 학습 데이터는 원문에서 밝히지 않았습니다.

원문의 수치는 두 가지입니다. 비교 모델보다 5배 빠르고 같은 종류의 차순위 모델보다 오차가 21% 낮습니다. 학습 데이터에 드문 원소나 결합 형태가 나오면 예측이 흔들릴 수 있습니다. 그래서 상위 후보 몇 개는 DFT나 실험으로 다시 확인하는 단계를 둡니다.

ALCHEMI Toolkit: 수백 개 시뮬레이션을 GPU에서 한꺼번에 돌리는 부품

NVIDIA 공식 페이지는 ALCHEMI를 화학·소재 발견을 가속하는 NIM 마이크로서비스와 툴킷의 묶음으로 설명합니다. NIM 쪽에는 BGR(Batched Geometry Relaxation, 여러 구조를 한 번에 가장 안정된 모양으로 다듬는 서비스)과 BMD(Batched Molecular Dynamics, 분자동역학을 묶어서 돌리는 서비스)가 있습니다. Toolkit은 최적화기·적분기·데이터 구조 같은 GPU 부품입니다. MLIP로 배치 시뮬레이션 엔진을 만드는 회사와 커뮤니티 코드를 겨냥합니다. Toolkit-Ops는 이웃 원자 목록, DFT-D3 분산 보정, 장거리 정전기 같은 자주 쓰는 계산을 배치 커널로 제공합니다. 계산 선별이 수시간에 끝나려면 후보를 하나씩 돌리지 않고 수백 개 구조를 한 배치로 GPU에 올려야 합니다. OrbMol-v2를 ALCHEMI Toolkit과 묶어 쓰는 구성은 이 필요에 맞춘 것으로 볼 수 있습니다.

CurieOS: 모델 계산을 연구 질문 단위로 묶는 워크플로 층

원문은 CurieOS를 Orbital Industries의 과학·공학용 운영체제이자 AI 기반 워크플로로 소개합니다. 로레알은 이 시스템을 시험하고 있으며 목적은 UV 필터를 녹이는 가장 유망한 원료 조합을 찾고 성능을 최적화한 뒤 실험실 시험에 들어가는 것입니다. 원문은 CurieOS의 내부 단계를 밝히지 않았습니다. 다만 구성으로 보면 연구원이 다루는 층은 CurieOS이고 그 아래에서 OrbMol-v2가 에너지를 계산하며 ALCHEMI Toolkit이 계산을 GPU에 나눠 싣습니다. 이렇게 층을 나누면 연구원은 시뮬레이션 설정을 몰라도 어떤 필터를 어떤 원료로 녹일지라는 질문 단위로 일할 수 있습니다. 우리 조직에 옮길 때도 이 구분이 쓸모 있습니다. 처방 연구원이 쓰는 화면과 계산화학자가 관리하는 시뮬레이션 설정을 나눠 두면, 계산 전문가가 없는 팀도 선별 결과를 쓸 수 있습니다.

Approved Digital Twin: 생성 이미지의 기준을 승인된 제품 데이터에 묶기

로레알의 두 번째 축은 마케팅 콘텐츠입니다. Omi는 ProductDrop이라는 워크플로를 내놓았습니다. 생성되는 모든 이미지를 승인된 디지털 트윈에 묶어 제품이 틀리게 그려지지 않게 하는 방식입니다. Omi 글에 따르면 팀은 승인된 Twin과 AI가 만든 배경 이미지에서 시작합니다. ProductDrop이 배경을 편집 가능한 3D 환경으로 바꾸면 카메라 각도, 조명, 그림자, 반사를 조정합니다. 같은 장면에 색상·용량·시장별 Twin을 바꿔 넣어 다시 씁니다. 제품이 바뀌면 Twin만 고치고 영향을 받는 이미지를 다시 만듭니다. NVIDIA 블로그는 Omi가 TRELLIS 3D 생성 모델을 NVIDIA RTX PRO 6000 Blackwell Server Edition GPU에서 돌려 추론이 10배 빨라지고 파이프라인 지연이 4배 줄었다고 밝힙니다. 원료 선별과 구조가 같습니다. 생성과 탐색은 AI가 넓게 하되, 확정 기준은 검증된 데이터(실험 결과, 승인된 Twin)에 둡니다.

통념과 다른 주장

저자가 든 사례

로레알: UV 필터 녹임 원료 조합의 계산 선별

항목	내용
상황	원료 조합 탐색이 실험 위주라 수개월이 걸렸습니다.
한 일	NVIDIA ALCHEMI를 연구 워크플로에 넣고 OrbMol-v2와 ALCHEMI Toolkit을 쓰는 Orbital Industries의 CurieOS를 시험하고 있습니다. UV 필터를 녹이는 유망 조합을 실험 전에 고릅니다.
결과	수개월 실험이 수시간 계산 선별로 바뀌었습니다. OrbMol-v2는 비교 모델 대비 5배 빠르고 차순위 모델 대비 오차 21% 낮습니다. 후보 수와 적중률은 원문에서 밝히지 않았습니다.
연결	Computational Screening, OrbMol-v2, ALCHEMI Toolkit, CurieOS

로레알 CreAItech: 승인된 트윈으로 광고 이미지 만들기

항목	내용
상황	생성형 AI로 광고·상품 이미지를 대량으로 만들면 제품 모양이 틀릴 위험이 있습니다.
한 일	CreAItech 프로그램에서 Omi의 디지털 트윈과 AI가 만든 브랜드 배경을 결합합니다. Omi는 ProductDrop으로 모든 생성 이미지를 승인된 트윈에 묶습니다.
결과	Omi 파이프라인의 추론 10배, 파이프라인 지연 4배 개선(NVIDIA 블로그). Omi 글에 따르면 로레알은 고품질 렌더를 이틀 만에 만들어 지역 팀이 시장별로 고쳐 씁니다.
연결	Approved Digital Twin

Shopify Sidekick: 업무에 맞춰 후학습한 오픈 모델 (보조 사례)

항목	내용
상황	판매자용 AI 어시스턴트 Sidekick을 프런티어 수준 정확도로, 그보다 낮은 비용에 돌려야 했습니다.
한 일	NVIDIA Nemotron 3.5 Lightning을 GraphQL 하위 에이전트용으로 후학습했습니다. 미세조정에 Megatron Bridge, 강화학습에 NeMo RL, 추론 최적화에 vLLM 기반 도구를 썼습니다.
결과	내부 벤치마크에서 선두 프런티어 모델보다 정확도가 높았고 서빙 비용 90% 절감, 응답 7배 빨라짐. 다른 다섯 용도에서 4.5배 빠르고 추론 비용 최대 12배 낮음.
연결	로레알처럼 오픈 모델을 업무에 맞게 다듬어 쓰는 사례

Otto Group: 물류센터를 바꾸기 전에 시뮬레이션에서 먼저 (보조 사례)

항목	내용
상황	창고 자동화를 더 큰 센터로 넓혀야 했습니다.
한 일	Reply와 NVIDIA Omniverse 라이브러리로 만든 사람 감독형 자율 창고 프로젝트를 Google Cloud에서 돌리며 독일 할덴스레벤의 가장 큰 물류센터로 넓혔습니다.
결과	물류팀이 실제 적용 전에 시뮬레이션에서 운영을 설계·시험·최적화합니다. 수치는 원문에서 밝히지 않았습니다.
연결	실물에 손대기 전에 가상에서 먼저 확인한다는 순서가 로레알 원료 선별과 같습니다.

기술 디테일: 우리 R&D에서 계산 선별을 돌리려면

Computational Screening을 돌리려면 후보 공간부터 파일로 고정합니다. 어떤 원료를 어떤 비율 범위로 섞을지 정하지 않으면 계산이 끝없이 늘어납니다. 원료마다 SMILES(분자 구조를 한 줄 문자로 적는 표기), 허용 농도 상한, 시장별 규제 상태를 붙입니다. 규제상 쓸 수 없는 원료는 계산 전에 뺍니다. 아래 필드명과 값은 가상 예시입니다.

{
  "screen_id": "UVF-2026-11-A",
  "target": {"name": "UV_filter_X", "smiles": "...", "load_wt_pct": 5.0},
  "candidates": [
    {"id": "S017", "name": "ester_oil_17", "smiles": "...", "max_wt_pct": 20, "allowed_markets": ["EU", "KR"]}
  ],
  "mix_rule": {"min_components": 2, "max_components": 3, "ratio_steps": [0.2, 0.5, 0.8]},
  "temperature_K": [278, 298, 318],
  "excluded_reason": []
}

OrbMol-v2로 계산할 때는 같은 조합을 여러 번 돌려 편차를 봅니다. 섞인 액체는 시작 배치에 따라 결과가 달라집니다. 조합마다 분자 배치를 무작위로 3회 만들고 BGR로 안정 구조를 잡은 뒤 BMD로 짧게 움직여 평균과 표준편차를 냅니다. 편차가 두 조합의 점수 차보다 크면 순위를 믿지 않고 반복 횟수를 늘립니다. 점수는 UV 필터 분자가 녹임 원료와 얼마나 잘 섞이는지(혼합 에너지)와 필터 분자끼리 얼마나 뭉치는지(뭉침 비율)를 함께 봅니다. 결과는 아래처럼 남깁니다(가상 예시).

{
  "combo": ["S017", "S032"], "ratio": [0.5, 0.5], "temperature_K": 278,
  "mix_energy": {"mean": -3.1, "std": 0.4, "unit": "kJ/mol", "runs": 3},
  "aggregation_ratio": {"mean": 0.12, "std": 0.03},
  "model": "OrbMol-v2", "toolkit": "ALCHEMI", "rank": 7,
  "flags": ["low_temp_aggregation"]
}

호출 단위와 예산을 정합니다. 작업 하나는 조합 1개 × 온도 1개 × 배치 1회입니다. ALCHEMI의 배치 서비스에는 이런 작업을 GPU 메모리가 허용하는 만큼 수백 개씩 묶어 보냅니다. 과제마다 GPU 시간 상한(예: 하룻밤 12시간)을 정하고 넘으면 비율 단계를 줄여 후보를 다시 만듭니다(가상 예시).

순위를 쓰기 전에 우리 실험 데이터로 맞춰 봅니다. 계산 점수는 실제 용해도의 대리 지표입니다. 과거에 측정한 조합 20~30개를 같은 방식으로 계산하고 계산 순위와 실험 순위의 상관(Spearman 순위상관)을 봅니다. 0.6 미만이면 지표나 온도 조건을 바꿉니다. 이 기준은 가상 예시이며 팀이 사전에 정합니다.

실패하는 경우를 미리 정합니다. 학습 데이터에 드문 원소(예: 실리콘이 많은 원료)가 나오면 MLIP 예측이 흔들릴 수 있습니다. 이런 조합에는 out_of_domain 표시를 달고 상위권이어도 DFT로 한 번 더 확인합니다. 저온에서 결정이 생기는 문제처럼 시간이 오래 걸리는 현상은 짧은 MD로 잡히지 않을 수 있습니다. 이런 성질은 실험 확인 항목으로 남깁니다.

디지털 트윈 쪽은 승인 상태를 데이터로 관리합니다. Approved Digital Twin 방식을 옮기려면 Twin마다 approved_by, approved_at, sku, version 필드를 둡니다. 제품이 바뀌면 version을 올리고 이전 version으로 만든 이미지 목록을 뽑아 다시 생성합니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
스폰서	R&D 처방 연구 총괄	대상 과제와 판정 기준 승인
처방 연구원	2명	후보 원료 목록, 과거 실험 데이터 정리, 추천 조합 실험
계산화학자	1명(내부 또는 외부 파트너)	시뮬레이션 설정, 지표 설계, 편차 점검
R&D IT·HPC	1명	GPU 환경, ALCHEMI·모델 설치, 결과 저장소
규제 담당	1명	시장별 허용 원료·농도 상한 확인

시작 전에 모을 것. 대상 UV 필터 12종, 녹임 보조 원료 후보 목록과 시장별 규제 상태, 과거 용해도·안정성 실험 기록 2030건, 실험실의 주당 처리량입니다.

기간	할 일	산출물
1~2주	과제 1개 선정, 후보 파일 확정, 과거 실험 데이터 정리	후보 JSON, 보정용 데이터셋
3~4주	과거 조합 재계산, 순위상관 확인, 지표·온도 조정	보정 보고서
5~6주	신규 후보 전수 계산, 상위 조합 추천	추천 목록과 근거 수치
7~8주	추천 조합 실험, 기존 방식과 적중률 비교, 판정	판정 보고서, 확대 과제

주간 운영. 5주차부터 매주 한 번 30분 추천 회의를 엽니다. 계산화학자가 상위 조합과 flags를 설명하고 처방 연구원이 그 주에 실험할 조합 5~10개를 고릅니다. 점수가 비슷한 조합 사이에서는 원가와 규제 여유가 큰 쪽을 먼저 실험합니다. 실험 결과는 다음 회의 전에 결과 저장소에 올려 보정 데이터에 더합니다(가상 예시).

처방 연구원에게 물을 것.

1. 지난 1년 동안 이 UV 필터의 녹임 조합을 몇 개 만들었고 그중 몇 개가 기준을 통과했나요?
2. 조합 하나를 만들고 측정하는 데 며칠이 걸리나요?
3. 계산 추천 목록에 어떤 근거가 붙어야 실험을 하겠습니까?
4. 계산으로 판단하면 안 되는 성질(사용감, 저온 안정성 등)은 무엇인가요?

진행 판정 기준(예시). 세 조건을 모두 채우면 다른 과제로 넓힙니다. 과거 조합 보정에서 순위상관 0.6 이상, 추천 상위 10개 중 기준 통과 비율이 기존 방식보다 높을 것, 같은 결과에 이르기까지 만든 실험 시료 수 30% 이상 감소입니다. 기준은 계산을 돌리기 전에 정해 둡니다.

AX 적용 제언. 화장품 ODM, 정밀화학, 배터리 전해액처럼 원료를 섞어 성질을 맞추는 회사라면 “녹는가, 섞이는가, 뭉치는가”를 묻는 과제부터 시작하는 편이 좋습니다. 분자 사이 상호작용으로 설명되는 성질이라 계산이 잘 맞고 실험실 시간 절감을 바로 셀 수 있습니다. 첫 투자는 GPU보다 과거 실험 기록 정리에 둡니다. 실패한 조합까지 남아 있어야 계산 순위를 맞춰 볼 수 있습니다. 계산화학 인력이 없으면 Orbital 같은 외부 파트너와 시작하되, 후보 파일과 보정 데이터는 우리 쪽이 소유합니다. 마케팅 쪽은 로레알처럼 승인된 제품 트윈을 먼저 만든 뒤 생성 이미지를 붙이는 순서로 갑니다.

원문 사례

회사	한 일	원문 수치
로레알 (R&D)	NVIDIA ALCHEMI 도입, CurieOS(OrbMol-v2 + ALCHEMI Toolkit) 시험, UV 필터 녹임 조합 선별	수개월 실험 → 수시간 계산 선별, OrbMol-v2 5배 빠름·오차 21% 낮음
로레알·Omi	CreAItech에서 디지털 트윈 + 생성 브랜드 배경, ProductDrop	추론 10배, 파이프라인 지연 4배 개선
Shopify	Nemotron 3.5 Lightning 후학습(Sidekick GraphQL 하위 에이전트)	서빙 비용 90%↓, 7배 빠름, 다른 5개 용도 4.5배 빠름·비용 최대 12배↓
Zooplus·Infosys	Nemotron Retriever 시맨틱 검색, 카탈로그 보강 Blueprint	검색 정확도 86%
Photoroom·Vestiaire Collective	등록 대표 이미지 표준화	하루 약 4만 장, 70개국, 유동성 5% 높음, 페이지 조회 3~7% 증가
Mirakl	자체 인프라·Scaleway에서 오픈 모델, Catalog Transformer	7,000만 개 넘는 상품 등록
Otto Group·Reply	Omniverse 기반 자율 창고를 할덴스레벤 센터로 확대	원문에서 밝히지 않음
ALLSIDES	3D Digital Twin Factory	수 분 안에 생성, 서브밀리미터 정확도
CATCHES·AMIRI	RealFit, PredictiveFit 가상 피팅, WhatsApp 쇼핑 에이전트 CASI	전환율 55%↑, 장바구니 담기 80%↑, 매출 56%↑
Nebius	소매용 NVIDIA Blueprint 3종 early access	원문에서 밝히지 않음

핵심 개념

UV 필터

자외선을 흡수하거나 막는 화장품 성분. 제형 안에서 녹아 있지 않으면 뭉치거나 결정이 생겨 성능이 떨어집니다.

DFT

Density Functional Theory. 전자 구조로 분자 에너지를 계산하는 양자화학 방법으로, 정확하지만 계산이 무겁습니다.

OMol25

Open Molecules 2025. 1억 건이 넘는 DFT 계산을 모은 분자 데이터셋으로, 첫 버전 OrbMol의 학습 데이터입니다.

NIM

NVIDIA가 모델·기능을 바로 배포할 수 있게 컨테이너로 묶은 마이크로서비스.

피지컬 AI

시뮬레이션, 디지털 트윈, 로봇처럼 물리 세계를 이해하고 다루는 AI를 NVIDIA가 묶어 부르는 말.

CreAItech

로레알이 생성형 AI로 브랜드 콘텐츠를 만드는 프로그램 이름.

내 메모

TODO: 내 생각 추가

원문: Mavi Nafria, 「NVIDIA Transforms European Retail, From Digital Discovery to Physical Operations」(NVIDIA Blog, 2026.10.21). NVIDIA가 자사 기술 고객 사례를 소개한 벤더 블로그이며 성과 수치는 각 회사와 NVIDIA의 발표입니다. ALCHEMI 구성은 NVIDIA ALCHEMI 공식 페이지(developer.nvidia.com/alchemi), OrbMol 구조는 Hugging Face의 Orbital-Materials/OrbMol 모델 페이지(첫 버전 기준), ProductDrop 작동 방식과 로레알의 이틀 만의 렌더 제작은 Omi 블로그 「Omi ProductDrop brings product accuracy to GenAI with NVIDIA」로 보강했습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 이 자료들의 내용을 AX Review가 다시 정리했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽은 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 원문 전체는 NVIDIA 블로그에서 볼 수 있습니다.