손끝 위의 분광기: 머신러닝이 바꾸는 분석 과학의 미래

손톱만 한 칩 하나가 대형 실험실 장비를 대체할 수 있을까? 불과 몇 년 전이라면 무리한 질문이었겠지만, 지금은 현실이다.

분광학(spectroscopy)이라는 단어, 처음 들으면 낯설게 느껴진다. 하지만 원리는 의외로 단순하다. 빛이 물질에 닿으면 물질마다 다른 파장을 흡수하거나 방출한다. 이 '빛의 지문'을 읽어내는 도구가 바로 분광기(spectrometer)다. 병원에서 혈액 속 성분을 분석하거나, 식품 공장에서 불량품을 골라내거나, 강물 오염도를 측정할 때도 분광학이 쓰인다.

1660년대 아이작 뉴턴이 프리즘으로 햇빛을 일곱 색깔로 쪼갰던 그 실험이 현대 분광학의 출발점이었다 [1]. 그 이후 360여 년. 분광학은 생물학, 의학, 화학, 소재공학 전반에 걸쳐 없어서는 안 될 도구로 자리 잡았다.

문제는 장비 크기다. 고성능 분광기는 냉장고만 하거나, 아무리 작아도 노트북 정도다. 운반이 어렵고 가격은 수천만 원을 넘기 일쑤다. 그러니 현장에서 즉시 측정한다는 건 꿈같은 이야기였다.

스펙트로미터-온-어-칩(Spectrometer-on-a-Chip) 기술은 이 불편함에 정면으로 도전하는 혁신이다 [1, 2].

반도체 칩 위에 실험실을 올리다

전통적인 분광기의 내부를 상상해 보자. 프리즘이나 회절 격자(diffraction grating)가 빛을 파장별로 분산시키고, 그걸 거울과 렌즈가 검출기 쪽으로 유도하며, 검출기가 신호를 전기 데이터로 바꾼다. 부품이 많고 구조가 복잡하다 보니 당연히 크고 비쌀 수밖에 없다.

칩 분광기는 그 모든 구성 요소를 반도체 공정으로 하나의 실리콘 칩에 통합한다. 센서, 광원, 신호 처리 장치가 손가락 끝에 올라갈 크기 안에 한꺼번에 담기는 것이다 [3, 4].

2022년 캠브리지 대학 연구팀이 Science에 발표한 연구는 이 가능성을 보여준 대표적인 사례다. 그래핀, 이황화몰리브덴, 이황화텅스텐 같은 소재를 층층이 쌓은 밴 데르 발스 이종구조(van der Waals heterostructures)와 머신러닝을 결합해, 기존 상용 시스템보다 수천 배 작은 장치를 구현했다 [4]. 가시광선 너머 근적외선 영역까지 감지할 수 있어, 화학 분석이나 야간 촬영 같은 응용도 가능하다.

AI가 없으면 그냥 작은 장치일 뿐이다

여기서 결정적인 질문이 나온다. 장치를 작게 만들면 그냥 되는 거 아닌가?

그렇지 않다. 크기를 줄이면 필연적으로 신호 품질이 떨어진다. 광학 부품을 축소하면 노이즈가 늘어난다. 파장이 겹치고 신호가 흐릿해진다. 인간이 직접 이 복잡한 데이터를 해석하는 건 사실상 불가능하다 [4].

"우리는 검출기 배열, 분산 부품, 필터가 필요 없다. 전부 일체화된 소형 장치 하나면 된다." — 알토 대학 Hoon Hahn Yoon 연구팀 [4]

머신러닝 알고리즘이 그 간극을 메운다. 수천, 수만 개의 스펙트럼 데이터로 훈련된 모델은 노이즈 속에서 패턴을 찾아낸다. 쉽게 비유하면, 여러 종류의 향이 뒤섞인 공기를 맡았을 때 사람은 '뭔가 달콤한 냄새가 나는 것 같다'는 인상만 받지만, 잘 훈련된 전자 코(e-nose)는 그 성분을 낱낱이 분리하는 것과 비슷하다. 모델이 '이런 노이즈 패턴에서 이 성분 신호가 이렇게 나타난다'고 이미 배워둔 덕분이다 [5, 6].

근적외선(NIR) 분광기에서 이 문제는 특히 심각하다. NIR 스펙트럼은 흡수 밴드가 넓고 서로 겹쳐있어서 사람의 눈으로는 거의 읽히지 않는다. NIRLAB 같은 회사가 이 복잡한 패턴을 '디컨볼루션(deconvolution)'해 각 성분의 고유 지문을 추출하는 모델을 개발하는 이유가 여기 있다 [5].

UC Davis 연구팀이 최근 Advanced Photonics에 발표한 논문은 이 분야의 기술적 이정표다.

0.4mm² 크기의 실리콘 칩에 광자 포획 표면 구조(photon-trapping surface textures, PTST)를 새겨 넣었다. 실리콘이 원래 반응하기 힘든 근적외선 영역(~1100nm)까지 감지 범위를 확장한 것이다. 핵심은 이것이다 — 16개의 독특하게 설계된 검출기에서 나오는 신호를 완전 연결 신경망(fully connected neural network)이 처리한다. 40dB의 노이즈가 추가된 상태에서도 신호 대 잡음비를 30dB 이상 유지한다.

기존 분광기는 950nm 이상에서 사실상 작동을 포기한다. 이 칩은 그 한계를 훌쩍 뛰어넘는다 [7].

그림 1. 머신러닝 기반 분광기 온 어 칩의 소형화 아키텍처 및 성능 최적화 프로세스. 반도체 공정을 통해 필수 광학 구성 요소를 단일 칩에 통합함으로써 장비의 부피와 전력 소모를 획기적으로 절감하고, 머신러닝 알고리즘을 활용해 배경 노이즈와 신호 중첩 문제를 해결함으로써 데이터 해석의 정확도와 측정 신뢰성을 확보한다. 이러한 기술적 통합은 고가의 표준 물질이나 복합한 시료 전처리 과정 없이도 불용성 시료 분석과 미세 국소 분석을 가능하게 하며, 결과적으로 분광 기술의 현장 적용성과 산업적 범용성을 크게 확장한다.

어디에 쓰이는가: 현실 속 응용 분야

의료 진단

칩 분광기가 가장 뜨거운 분야는 단연 의료다. 혈액, 타액, 조직 샘플에서 바이오마커를 실시간으로 감지한다. 암 위험 평가나 희귀 질환 조기 진단에서 AI 기반 분광 모델이 기존 임상 방법을 능가하는 성능을 보이기 시작했다 [8, 9].

네덜란드 스타트업 Nostics는 라만 분광기와 나노기술, AI를 결합해 요로감염(UTI) 원인균을 현장에서 빠르게 식별하는 기기를 개발 중이다. 기존 방법은 며칠이 걸리는데, 이 기기는 그 시간을 대폭 줄이는 것을 목표로 한다 [13].

SpectroChip은 X선 리소그래피와 MEMS 공정으로 제작된 칩 하나에 슬릿, 오목 격자, 거울까지 통합해 300~1000nm 스펙트럼 범위를 커버한다. 자외선·가시광선 형광 분석도 가능하다 [10].

식품 안전과 환경 감시

식품 산업도 빠르게 받아들이고 있다. 산지에서 바로, 혹은 유통 과정 중에 올리브유 순도나 과일 당도, 향신료 진위 여부를 판별할 수 있다 [4]. Nestlé와 Kraft Heinz 같은 글로벌 식품 기업이 이미 품질 검사에 칩 분광기를 도입하기 시작했다 [3].

환경 분야에서는 중금속이나 유기 화합물 오염을 실시간으로 탐지한다. 기존에는 샘플을 실험실로 가져가 분석하는 데 며칠씩 걸렸지만, 칩 분광기는 현장에서 즉시 알림을 보낼 수 있다 [3].

산업 공정과 보안

반도체 공장에서는 소재 순도 검증에, 국경 통제에서는 폭발물이나 마약 탐지에 쓰인다. 검사관이 장비를 들고 직접 이동할 수 있다는 것 자체가 변화다 [3].

장점과 한계: 따져보면

무엇이 좋은가

장점은 뚜렷하다. 비용 절감, 샘플 전처리 최소화, 불용성 시료 분석 가능, 마이크로 단위 국소 분석. 레이저 어블레이션 유도 결합 플라스마 질량 분광법(LA-ICP-MS) 같은 고체 샘플링 기술을 쓰면 시료를 굳이 용액으로 녹이지 않아도 된다 [11]. 지질학이나 신소재 연구처럼 시료의 원형 보존이 중요한 분야에서 특히 유리하다.

그러나 쉽지 않은 문제들

문제도 있다. 가장 큰 건 민감도다. X선 기반 기술은 검출 한계가 낮아 미량 분석에 약하다 [11].

소재 선택도 까다롭다. 실리콘은 저렴하고 기존 반도체 인프라와 호환되지만 근적외선 흡수가 약하다. 인화인듐(InP), 갈륨비소(GaAs) 같은 III-V족 소재는 광학 특성이 뛰어나지만 비싸고 제조가 복잡하며 부서지기 쉽다 [12]. 어떤 소재를 쓸지는 목표 파장 대역, 요구 정밀도, 비용 제약을 동시에 고려해야 하는 최적화 문제다.

정량 분석의 어려움도 있다. 정확한 수치 측정을 위해서는 매트릭스 매칭 표준물질이나 공인 참조 물질이 필요한데, 고분자 소재 같은 분야에서는 이런 표준이 아직 충분하지 않다 [11].

하나의 칩에 여러 기능을 통합하려 할수록 설계 복잡도와 비용이 올라가는 것도 풀어야 할 숙제다 [12].

앞으로의 방향

미래는 몇 가지 방향이 겹쳐 보인다.

스파이킹 신경망(Spiking Neural Networks, SNN)이 차세대 AI 엔진으로 주목받고 있다.

기존 딥러닝 모델은 항상 숫자를 주고받는 방식으로 작동한다. SNN은 다르다. 뇌 속 신경세포처럼 '스파이크(spike)'가 발생할 때만 신호를 전달하기 때문에 에너지 소비가 훨씬 낮다. 저전력 휴대 기기에 이상적이다 [14]. 스펙트럼 데이터 처리에 SNN을 적용하면, 배터리 소모를 크게 줄이면서도 실시간 분석이 가능해질 수 있다.

전기광학(OEO) 소재 최적화도 진행 중이다. 유기-실리콘 하이브리드(SOH) 변조기는 400G급 데이터센터 수준의 초고속 통신 경로를 열어주고 있다 [15]. 이 기술이 분광기 플랫폼에 통합되면 데이터 전송 속도와 에너지 효율이 동시에 나아진다.

산학연 협업 생태계 구축도 관건이다. 반도체 파운드리, 의료기기 업체, 식품 회사가 함께 움직여야 시장에서 쓸 만한 제품이 나온다 [12]. 오사카 엑스포에서 이 기술을 선보이는 이벤트도 개발 속도를 끌어올리는 역할을 하고 있다 [13].

Discussion: 칩 분광기는 진짜 '민주화'를 이룰 수 있을까?

소형화 기술과 AI의 결합이 분광학을 '민주화'한다는 말이 자주 나온다. 실험실 장비를 누구나 들고 다닐 수 있는 수준으로 만든다는 약속이다. 하지만 그 말의 속을 들여다보면, 아직 풀리지 않은 질문들이 숨어 있다.

칩 규모 분광기 시장은 2019년 200만 달러 미만에서 2024년 16억 달러 이상으로 폭발적으로 성장했다 [16]. 숫자만 보면 대단한 성공처럼 느껴진다. 그런데 그렇다고 진짜 '누구나 쓸 수 있는 기기'가 됐느냐는 별개의 문제다. 현재 칩 분광기의 상당수는 여전히 전문 교육을 받은 사람이 운용한다. 데이터 해석에는 도메인 지식이 필요하고, 특히 설명 가능성(explainability) 문제는 아직 진행형이다.

분광 데이터에 XAI(설명 가능 인공지능)를 적용한 체계적 리뷰에 따르면, 의미 있는 스펙트럼 밴드를 식별하는 데는 SHAP나 LIME 같은 방법이 유효하지만 — 임상 현장에서 요구하는 '왜 이 진단인가'를 명확하게 설명하는 데는 아직 한계가 있다 [9].

이게 단순한 기술적 미완성이 아니라 구조적 문제일 수 있다. 머신러닝 모델은 훈련 데이터의 분포를 따른다. 특정 인종, 특정 지역, 특정 식이 패턴의 데이터로 학습된 모델이 전혀 다른 환경에서 쓰이면? 이 '데이터 편향' 문제는 기기 성능이 아무리 좋아져도 자동으로 해결되지 않는다.

흥미로운 긴장도 있다. 최근 웨어러블 분광기 연구들이 속속 나오면서, 피부 위에서 혈당이나 젖산 농도를 비침습적으로 측정하는 가능성이 현실로 다가오고 있다 [17, 18]. 근적외선이 피부를 투과해 피하 조직의 스펙트럼을 읽을 수 있다는 원리는 기술적으로 매력적이다. 그런데 그 정밀도가 의료 기준을 충족하느냐는 완전히 다른 질문이다. 체온 변화, 피부 두께, 땀, 움직임에 따른 아티팩트 — 이런 변수들은 AI가 전부 통제할 수 있는 게 아니다.

소형화의 역설도 짚어볼 만하다. 칩을 작게 만들수록 광 경로가 짧아지고, 광 경로가 짧아지면 스펙트럼 분해능이 떨어진다. AI가 이를 보완하지만, 그 보완에는 전제 조건이 붙는다 — 학습 데이터가 해당 상황을 얼마나 잘 커버하느냐. AI는 빈칸을 메우는 게 아니라 추론을 하는 것이며, 그 추론은 틀릴 수 있다.

앞으로 5~20년은 아마도 두 갈래다. 하나는 고성능 임상용 칩 분광기 — 여전히 전문가가 운용하되, 기존보다 훨씬 빠르고 저렴하게. 다른 하나는 스마트워치나 스마트폰에 통합되는 소비자용 기기다. 두 경로 모두에서 규제와 인증 체계를 어떻게 마련하느냐가 결국 보급 속도를 결정할 것이다 [19, 20].

기술 혁신이 늘 그랬듯, '할 수 있다'와 '해야 한다', 그리고 '언제 누구에게 허용할 것인가'는 별개의 논의다. 칩 분광기가 손끝에서 작동한다는 건 이미 증명됐다. 그게 사회 전체에 어떤 의미인지는 아직 우리가 함께 써나가고 있는 챕터다.

그림 2. 인공지능 기반 칩 스케일 분광 기술의 소형화 및 응용 체계. 전통적인 대형 실험실 분광계가 인공지능(AI) 및 반도체 기술을 통해 손끝 크기의 고정밀 칩 스케일 장치로 소형화되었음을 보여준다. 기계 학습 알고리즘을 기반으로 한 복잡한 스펙트럼 데이터의 자동 해석을 통해 분석 효율을 높였고, 전력 소비와 시료 준비를 최소화하였다. 이러한 기술 혁신은 생의학 진단, 환경 감시, 산업 및 식품 안전 등 다각적인 현장 진단 및 실시간 응용 분야로의 광범위한 확산을 가능하게 한다.

References

[1] Westermayr, J., & Marquetand, P. (2025). Machine learning spectroscopy to advance computation and analysis. Chemical Science, 16, 21660–21676. https://doi.org/10.1039/D5SC05628D

[2] European Pharmaceutical Review. (2025). Enhancing spectroscopy analysis with machine learning. https://www.europeanpharmaceuticalreview.com/news/245658/enhancing-spectroscopy-analysis-with-machine-learning/

[3] BlueOak Financial. (2025, October 10). Chip type spectrometers in the real world: 5 uses you'll actually see (2025). LinkedIn Pulse. https://www.linkedin.com/pulse/chip-type-spectrometers-real-world-5-uses-youll-actually-onihf/

[4] Asharindavida, F., Nibouche, O., Uhomoibhi, J., Liu, J., & Wang, H. (2023). Machine learning on spectral data from miniature devices for food quality analysis: A case study. Proceedings of ICMLSC 2023. https://doi.org/10.1145/3583788.3583801

[5] NIRLAB. (2024, November 4). How NIR spectroscopy and machine learning are transforming material analysis across industries. https://www.nirlab.com/how-nir-spectroscopy-and-machine-learning-are-transforming-material-analysis-across-industries/

[6] AIHub. (2022, October 31). Using machine learning to improve all-in-one miniature spectrometers. https://aihub.org/2022/10/31/using-machine-learning-to-improve-all-in-one-miniature-spectrometers/

[7] Ahamed, A., Myat, H., Rawat, A., McPhillips, L. N., & Islam, M. S. (2026). AI-augmented photon-trapping spectrometer-on-a-chip on silicon platform with extended near-infrared sensitivity. Advanced Photonics, 8(1), 016008. https://doi.org/10.1117/1.AP.8.1.016008

[8] Wetzel, W. (2025, August 14). Machine learning advances spectroscopic imaging in biomedical research. Spectroscopy Online. https://www.spectroscopyonline.com/view/machine-learning-advances-spectroscopic-imaging-in-biomedical-research

[9] Contreras, J., & Bocklitz, T. (2024). Explainable artificial intelligence for spectroscopy data: a review. Pflügers Archiv – European Journal of Physiology, 477(4), 603–615. https://doi.org/10.1007/s00424-024-02997-y

[10] SEMI. (n.d.). SpectroChip: an optical system-on-chip enabling ultra-portable devices for broad industrial sensing applications. https://www.semi.org/en/spectrochip-optical-system-chip-enabling-ultra-portable-devices-broad-industrial-sensing-recording

[11] Limbeck, A., Bonta, M., & Nischkauer, W. (2017). Improvements in the direct analysis of advanced materials using ICP-based measurement techniques. Journal of Analytical Atomic Spectrometry, 32, 212–232. https://doi.org/10.1039/C6JA00335D

[12] Booth, B. (2025, December 4). Beyond silicon: building a photonic foundation for next-gen computing. PIC Magazine, Issue 4 2025. https://picmagazine.net/article/123075/Beyond_silicon_building_a_photonic_foundation_for_next-gen_computing

[13] PhotonDelta. (2025, October 9). Unlocking photonics power to 'hack' medical diagnostics. https://www.photondelta.com/news/photonics-power-for-medical-diagnostics/

[14] Gao, L., Qu, Y., Wang, L., & Yu, Z. (2022). Computational spectrometers enabled by nanophotonics and deep learning. Nanophotonics, 11(11), 2507–2529. https://doi.org/10.1515/nanoph-2021-0636

[15] Crocombe, R. A. (2021). The future of portable spectroscopy. In R. Crocombe, P. Leary, & B. Kammrath (Eds.), Portable Spectroscopy and Spectrometry (Ch. 45). Wiley. https://doi.org/10.1002/9781119636489.ch45

[16] Li, A. et al. (2022). Advances in cost-effective integrated spectrometers. Light: Science & Applications. https://www.nature.com/articles/s41377-022-00853-1

[17] Song, R., Cho, S., Khan, S., Park, I., & Gao, W. (2025). Lighting the path to precision healthcare: advances and applications of wearable photonic sensors. Advanced Materials, 37(49), e2419161. https://doi.org/10.1002/adma.202419161

[18] Workman, J. (2026, March 12). Wearable vibrational spectroscopy is here for real-time sensing. Spectroscopy Online. https://www.spectroscopyonline.com/view/wearable-vibrational-spectroscopy-is-here-for-real-time-sensing

[19] PhotonDelta. (2025, December 15). What materials are used in photonic chip manufacturing? https://www.photondelta.com/blog/what-materials-are-used-in-photonic-chip-manufacturing/

[20] LabMedica International. (2022, October 24). 'Lab on a chip' paves way for use of portable spectrometer in biomedical analysis. https://www.labmedica.com/technology/articles/294795061/light-analyzing-lab-on-a-chip-paves-way-for-use-of-portable-spectrometer-in-biomedical-analysis.html

본 글은 공개된 연구를 바탕으로 정보 제공 목적으로 작성되었으며, 전문적인 판단을 대신하거나 의학적 진단이나 치료를 위한 근거로 사용될 수 없습니다.