최신 고분자 합성 기술 동향: 지속 가능성, 정밀 중합 및 인공지능 기반 소재 설계(2026년 5월호)

5월 1일
8분 분량

최종 수정일: 5월 7일

탁나연, 엄채윤, 김현석* | 충남대학교 화학과 조교수, hyunseok@cnu.ac.kr

서 론

고분자는 반복 단위체인 단량체(monomer)가 공유결합을 통해 연결된 거대 분자이다. 낮은 밀도, 우수한 가공성, 높은 화학적 안정성 등의 특성을 바탕으로 금속이나 세라믹과 같은 기존 소재를 대체하는 기능성 소재로 널리 활용되고 있으며, 현대 사회의 기술 발전과 산업 구조를 지탱하는 중요한 재료로 자리 잡고 있다.[참고문헌 1] 특히 고분자 관련 소재는 최근까지 자동차, 항공우주, 반도체, 에너지 저장 장치, 의료기기 등 다양한 첨단 산업에서 필수적인 역할을 수행하고 있다.

이러한 폭발적인 수요에 맞추어 전 세계 고분자 생산량은 지속적으로 증가하여 현재 연간 약 4억 톤 이상이 생산되고 있으며, 이 중 상당량이 적절히 재활용되지 못한 채 매립되거나 자연환경에 축적되고 있다.[참고문헌 2] 대규모 생산과 사용이 편의성과 동시에 환경적 문제를 동시에 야기하고 있는 것이다. 특히 폴리에틸렌(PE)과 폴리프로필렌(PP)과 같은 폴리올레핀(polyolefin)은 전 세계 플라스틱 생산량의 약 절반을 차지할 정도로 가장 널리 사용되는 고분자 소재이지만, 탄소–탄소(C–C) 결합으로 이루어진 매우 안정한 구조를 가지고 있기 때문에 자연 분해가 거의 일어나지 않는다는 문제가 있다.[참고문헌 3] 이러한 특성은 고분자의 내구성과 안정성을 높이는 장점과 동시에 폐기물 문제를 심화시키는 주요 원인이 되고 있다.

최근 고분자화학에서는 심화되는 환경 문제를 해결하기 위해 지속가능한 소재 설계(sustainable materials design)와 순환경제(circular polymer economy) 개념이 중요한 연구 방향으로 제시되고 있다. 예를 들어 고분자 사슬에 분해가능한 결합을 도입하여 필요할 때 화학적으로 분해가 가능하도록 설계하는 전략이 제안되었으며, 이러한 접근은 기존 고분자의 물성을 유지하면서도 재활용 가능성을 크게 향상시킬 수 있는 방법으로 평가되고 있다. 또한 친환경 기반 단량체를 이용한 고분자 합성이나 화학적 재활용 기술을 활용한 폐플라스틱 재생 기술 역시 활발히 연구되고 있다.

한편 소재 연구 분야에서는 인공지능(AI)과 머신러닝(Machine Learning, ML)을 활용한 설계 기술이 빠르게 발전하고 있다. 기존의 고분자 소재 개발은 실험 중심의 경험적 접근에 의존하는 경우가 많았지만, 현재는 데이터 기반 모델을 활용하여 고분자 구조와 물성 간의 관계를 분석하고 이를 바탕으로 새로운 고분자 소재를 설계하는 연구가 활발히 진행되고 있다.[참고문헌 4] 이러한 접근은 방대한 화학 구조 공간을 효율적으로 탐색할 수 있게 하며, 원하는 물성을 갖는 고분자를 역설계(inverse design)하는 것을 가능하게 한다.

이처럼 현대 고분자 연구는 단순한 물질 합성을 넘어 지속가능성, 정밀 합성 기술, 기능성 소재 개발, 그리고 데이터 기반 소재 설계라는 다양한 연구 방향을 중심으로 빠르게 발전하고 있다. 따라서 본 글에서는 최근 고분자 합성 기술의 주요 연구 동향을 정리하고, 지속가능한 고분자 설계, 정밀 중합 기술, 스마트 고분자 소재, 고분자 나노복합재, 그리고 인공지능 기반 고분자 설계 기술을 중심으로 최신 연구 흐름을 고찰하고자 한다.

본 론

1. 지속가능한 고분자 합성과 화학적 재활용 기술

플라스틱 폐기물 문제는 현대 고분자 연구에서 가장 중요한 환경적 과제 중 하나로 인식되고 있다. 특히 폴리올레핀 계열 고분자는 낮은 생산 비용과 우수한 기계적 특성으로 인해 산업 전반에서 널리 사용되고 있으나, 화학적으로 매우 안정한 공유결합으로 이루어져 있어 자연환경에서 거의 분해되지 않는다.5 이러한 높은 화학적 안정성 때문에 폴리올레핀은 재활용이 어려운 소재로 여겨져 왔으며, 현재까지도 상당량이 소각 또는 매립 방식으로 처리되고 있다.

기존의 열분해(pyrolysis) 및 수소분해(hydrogenolysis)와 같은 촉매 기반 분해 기술은 폴리올레핀을 에틸렌이나 프로필렌과 같은 유용한 단량체로 전환할 수 있다. 그러나 다양한 부산물이 포함된 복잡한 혼합물을 생성하기 때문에 원래의 고분자를 직접적으로 회수하기 어렵다는 한계를 가진다. 이에 따라 완전한 탈중합과 재중합이 가능한 분해성 폴리올레핀의 개발이 지속가능한 플라스틱 순환경제 구현을 위한 핵심 과제로 부각되고 있다.

화학적 재활용은 크게 오픈 루프(open-loop)와 클로즈드 루프(closed-loop) 방식으로 구분되는데 오픈 루프 재활용은 폴리올레핀을 구조와 물성이 다른 고분자 또는 올리고머로 전환하는 방식으로, 불포화기 기반 또는 케토 기반 분해성 폴리올레핀이 이에 해당한다. 반면 클로즈드 루프 재활용은 분해 후 재중합을 통해 동일한 구조와 물성을 갖는 원래의 고분자를 재생산하는 방식으로, 진정한 의미의 순환 재활용 기술로 간주된다[그림 1].

Johnson 연구진은 이러한 폐쇄형 재활용을 실현하기 위한 분자 설계 연구로서 O–Si–O 결합을 포함하는 고리형 올레핀 단량체를 고리열림 복분해 중합(ring-opening metathesis polymerization, ROMP)으로 중합한 후 수소화를 수행하여 고밀도 폴리에틸렌과 유사한 기계적 강도를 갖는 분해성 폴리올레핀을 합성하였다.[참고문헌 6] 이 시스템에서 O–Si–O 결합은 산 촉매 조건에서 선택적으로 절단될 수 있으며, 탄소–탄소 주사슬이나 에스터 결합을 손상시키지 않은 상태에서 양말단에 디하이드록시기를 갖는 말단 반응기 거대 폴리에틸렌 단량체를 생성한다. 이러한 선택적 분해 특성은 폴리프로필렌, 폴리에틸렌, 폴리에틸렌 테레프탈레이트(PET)가 혼합된 폐플라스틱 환경에서도 목표 고분자를 효율적으로 분리·회수할 수 있게 한다. 또한 생성된 하이드록시 말단 폴리에틸렌 단량체는 다이알킬디클로로실란과 재중합되어 원래의 고분자로 재생될 수 있으며, 이를 통해 실제적인 폐쇄형 재활용(closed-loop recycling) 공정 구현 가능성이 제시되었다. 이러한 연구는 기능성 결합을 정밀하게 설계함으로써 기존 폴리올레핀의 물성을 유지하면서도 화학적 순환 재활용을 실현할 수 있음을 보여주는 대표적인 사례로 평가된다.

2. 분해 가능 작용기를 포함한 중합 및 고분자 미세구조 제 어 기술

최근 고분자 합성 기술의 중요한 발전 중 하나는 지속가능한 고분자 소재 개발을 위한 정밀 중합 기술의 발전이다. 단순히 고분자 주사슬을 형성하는 데 초점을 맞추는 것이 아니라 중합 과정부터 고분자 미세구조에 분해가능한 결합(cleavable bonds)을 도입하는 설계 전략이다. 고분자 주사슬에 작용기를 도입하여 특정 촉매 반응이나 화학적 처리 과정을 통해 고분자를 단량체 또는 저분자 화합물로 분해할 수 있는 전략도 제안되고 있다. 이 접근법은 기존 폴리올레핀의 우수한 기계적 물성을 유지하면서도 화학적 재활용을 가능하게 한다는 점에서 중요한 지속가능 소재 설계 전략으로 평가된다. 고분자 사슬의 높은 안정성은 전체적으로 우수한 열적 안정성과 강도를 나타내지만, 주 사슬에 약한 결합을 포함하는 고분자 합성을 통해 특정 조건에서 모노머 단위로 분해될 수 있도록 만드는 것이다. 예를 들어 케톤 결합, 에스터 결합, 불포화 결합과 같은 기능성 구조는 제어된 분해 또는 화학적 변환이 가능하도록 설계될 수 있다.

이러한 분해가능한 결합은 공중합(copolymerization)을 통해 낮은 밀도로 정밀하게 도입될 수 있으며, 이를 통해 폴리에틸렌의 고유한 물성을 유지하면서도 원하는 수준의 분해성을 부여할 수 있다. 최근 Nozaki 연구팀은 두 종류의 카보닐기를 포함하는 폴리올레핀의 광분해 거동을 조사하였다.[참고문헌 7] 하나는 주사슬 내부에 카보닐기가 포함된 비교대 E/CO 공중합체이며, 다른 하나는 곁사슬(pendant)에 카보닐 작용기를 갖는 에틸렌/메틸비닐케톤(E/MVK) 공중합체이다. 275 nm 자외선(UV) 조사 조건에서, E/MVK 공중합체(1.57 mol% MVK)는 E/CO 공중합체(1.70 mol% CO)보다 더 빠르게 분해되었다. 이들의 분해 과정에서는 Norrish type I 절단 반응에 의해 유도된 여러 라디칼 매개 부반응이 관찰되었으며, 여기에는 주 사슬 하이드록실화(backbone hydroxylation), 추가적인 카보닐 형성, 그리고 높은 MVK 농도(4.37 mol%)에서의 가교(cross-linking) 반응 등이 포함된다. 또한 HDPE와 블렌딩될 경우, 이러한 자유 라디칼 반응은 HDPE의 분해에도 기여할 수 있음이 확인되었다[그림 2].

이처럼 장시간에 걸쳐 분해가 가능하다는 점에서, 케토 기반 폴리올레핀은 일회용 플라스틱 포장재 생산에 활용될 가능성이 있다. 그러나 분해 이후 생성물의 지속가능성은 여전히 이 분야의 주요한 한계로 남아 있다. 앞으로는 광분해 과정의 제어성을 향상시켜 분해 생성물의 구조를 조절하고, 이들의 재사용 가능성을 탐색하는 연구가 필요하다. 또한 이러한 광분해 생성물의 분자량이 일반적으로 수천 수준임을 고려할 때, 환경 내 거동(environmental fate)에 대한 체계적인 평가가 이루어져야만 이러한 광분해성 폴리에틸렌이 진정으로 친환경적이고 지속가능한 대안이 될 수 있다. 특히 저분자량 올리고머 분해에 효과적인 미생물 분해(microbial degradation)가 이 문제를 해결할 수 있는 유망한 접근법으로 제시되고 있다.

3. 바이오매스 자원으로부터의 고분자 합성

기존 연구는 주로 바이오매스 전환으로부터 얻은 말단 반응기 거대단량체(telechelic)를 이용한 단계적 축합중합에 기반하며, 바이오 유래 C18 단량체를 활용한 지방족 폴리에스터 및 폴리카보네이트 합성이 대표적인 사례로 보고되었다[그림 3A].[참고문헌 8] 이러한 고분자는 높은 분자량과 함께 HDPE에 상응하는 기계적 물성을 나타내지만, 에스터 결합으로 인한 결정성 저해로 녹는점은 감소하는 특징을 보인다.

한편, 탈수소 중합과 같은 대안적 에스터화 경로도 제시되었으며, 전이금속 촉매를 활용한 디올 간 결합 반응을 통해 화학량론적 제약을 극복하고 물성 조절이 가능한 재활용성 멀티블록 폴리에틸렌 합성이 가능함이 보고되었다. 특히 다양한 다이올의 조합을 통해 엘라스토머(elastomer)부터 열가소성 고분자까지 기계적 특성을 조절할 수 있으며, 높은 용융전이와 낮은 유리전이온도를 동시에 구현할 수 있다.

또한 팔라듐 촉매 기반 알콕시카보닐화 반응은 알켄, 알코올, 일산화탄소(CO)로부터 선형 지방족 폴리에스터를 직접 합성할 수 있는 방법으로 주목받고 있다. 다만 부반응에 의한 사슬 성장 억제로 분자량 증가에는 한계가 존재하며, 이를 개선하기 위해 단량체 구조 확장 및 반응 메커니즘 제어 연구가 진행되고 있다. 최근에는 이성질화 이중 하이드로에스터화 반응을 통해 높은 선형 선택성을 갖는 폴리아디페이트(poly(adipate)) 에스터의 직접 합성이 가능함이 보고되면서, 에스터 기반 폴리올레핀 설계의 새로운 가능성이 제시되고 있다[그림 3B].

그리고 최근 연구에서는 해당 단량체의 비고리올레핀교환중합(acyclic diene metathesis, ADMET) 단독중합이 비교적 낮은 분자량의 고분자(Mn ≤ 23.3 kDa)만을 생성하는 것으로 나타났다. 그러나 이렇게 얻어진 올리고머는 고리닫힘 메타세시스 분해(ring-closing metathesis depolymerization)를 통해 고리형 올레핀으로 전환될 수 있으며, 이후 ROMP를 통해 다시 중합되어 매우 높은 분자량(Mn ≤ 794.2 kDa)의 고분자를 형성할 수 있음이 확인되었다[그림 3C].[참고문헌 9]

합성된 고분자는 우수한 열적 안정성(Td = 375–426 °C)을 나타내었으며, 전형적인 엘라스토머 거동을 보였다. 특히 본 시스템은 두 가지 분해 경로를 동시에 갖는다는 점에서 주목된다. 가수분해 반응을 통해 텔레켈릭 디카복실산과 아이소만니드(isomannide)가 재생될 수 있으며, 동시에 메타세시스 기반 고리형 탈중합(cyclodepolymerization)을 통한 대안적 분해 메커니즘도 가능함이 확인되었다.

4. 고분자 나노복합재와 고성능 소재

고분자 소재의 기계적 특성과 기능성은 최근 항공우주분야에도 공격적으로 향상시키기 위해 나노소재를 도입한 고분자 나노복합재 연구 역시 활발히 진행되고 있다. 그래핀(graphene), 탄소나노튜브(CNT), 나노셀룰로오스와 같은 나노소재는 매우 우수한 기계적 강도와 전기적 특성을 가지고 있으며, 이러한 나노소재를 고분자 매트릭스에 분산시키면 복합재의 성능을 크게 향상시킬 수 있다.[참고문헌 10,11]

예를 들어 탄소나노튜브를 소량 첨가하는 것만으로도 고분자의 전기 전도성이 크게 증가할 수 있으며, 이는 전자소자나 에너지 저장 장치와 같은 분야에서 중요한 역할을 한다. 또한 그래핀 기반 나노복합재는 높은 열전도성과 기계적 강도를 가지기 때문에 차세대 기능성 소재로 주목받고 있다. 한편 폴리에터에터케톤(PEEK)나 폴리이미드(polyimide)와 같은 고성능 엔지니어링 고분자는 높은 온도와 화학적 환경에서도 안정한 특성을 유지하기 때문에 항공우주 산업, 반도체 공정, 고온 환경에서 사용되는 핵심 소재로 활용되고 있다.[참고문헌 12]

5. 인공지능 기반 고분자 설계

최근 소재 과학 분야(전자소자, 에너지 시스템, 항공우주 산업 등)에서 가장 빠르게 성장하는 연구 영역 중 하나는 인공지능 기반 소재 설계 기술이다. 고분자는 가능한 구조 조합이 매우 많기 때문에 전통적인 실험 방법만으로는 최적의 소재를 탐색하는 데 상당한 시간과 비용이 필요하고, 새로운 고분자가 실제 산업에 적용되기까지는 수십 년이 소요되는 경우가 많다. 최근 연구에서는 머신러닝 모델을 활용하여[참고문헌 13] 고분자의 화학 구조와 물성 사이의 관계를 학습하고 이를 기반으로 새로운 고분자를 설계하는 접근 방법이 개발되고 있다. 이러한 방식은 특정 응용 분야에서 요구되는 물성을 먼저 설정한 후 이를 만족하는 고분자 구조를 역으로 설계하는 방식으로 진행된다. 또한 수십만 편의 논문에서 고분자 데이터를 자동으로 추출하고 데이터베이스화 하는 연구도 진행되고 있다.[참고문헌 14] 이러한 데이터 기반 접근은 향후 고분자 연구의 자동화와 소재 발견 속도를 크게 향상시킬 것으로 기대된다.

인공지능은 인간의 경험과 직관에 의존하던 기존 소재 개발 방식을 데이터와 알고리즘 기반 접근으로 확장함으로써 소재 설계 속도를 획기적으로 단축할 수 있는 가능성을 제시한다. 특히 AI는 방대한 고분자 화학 공간을 효율적으로 탐색하고, 목표 성능을 만족하는 소재를 역으로 설계할 수 있는 새로운 연구 패러다임을 제공한다. 머신러닝 모델은 고분자의 화학 구조와 물성 간의 상관관계를 학습하여 성능을 예측하며, 가상 합성(virtual forward synthesis)을 통해 실제 합성이 가능한 후보 고분자를 대량으로 생성한다. 이후 모델 예측을 기반으로 조건을 만족하는 후보를 선별하고, 실험적 검증을 통해 성능을 확인하는 과정이 수행된다[그림 4].[참고문헌 15]

이 과정에서 새롭게 축적된 실험 데이터는 다시 모델 학습에 활용되어 설계 정확도와 예측 신뢰도를 지속적으로 향상시키는 선순환 구조를 형성한다. 최근에는 수천 개 이상의 구조적 특징을 반영하는 고분자 fingerprint 기술과 그래프 신경망, 화학에 관한 언어 모델이 도입되면서 예측 정확도와 확장성이 크게 개선되었다. 이러한 접근은 단순한 물성 예측을 넘어 목표 성능을 만족하는 소재를 직접 제안하는 역설계를 가능하게 하며, 데이터 기반 고분자 설계의 핵심 방법론으로 자리 잡고 있다.

결 론

최근 고분자 합성 기술은 지속가능성, 정밀 합성 기술, 기능성 소재 개발, 그리고 인공지능 기반 소재 설계라는 네 가지 핵심 방향을 중심으로 빠르게 발전하고 있다. 특히 분해가능한 결합을 도입한 지속가능 고분자합성 연구는 플라스틱 폐기물 문제를 해결하기 위한 중요한 전략으로 주목받고 있으며, 화학적 재활용 및 순환경제 구현에 중요한 역할을 할 것으로 기대된다. 또한 인공지능 기반 소재 설계 기술은 고분자 연구의 패러다임을 변화시키고 있으며, 데이터 기반 접근을 통해 새로운 기능성 소재 개발 속도를 크게 향상시킬 수 있다. 앞으로 고분자 과학은 화학, 재료공학, 데이터 과학이 융합된 다학제적 연구 분야로 발전할 것이며, 이러한 연구는 미래 에너지, 환경, 의료 기술을 위한 핵심 소재 개발에 중요한 기여를 할 것으로 전망된다.

참고문헌

Matyjaszewski, K. Architecturally Complex Polymers with Controlled Heterogeneity. Science 2011, 333, 1104.
Geyer, R.; Jambeck, J. R.; Law, K. L. Production, Use, and Fate of All Plastics Ever Made. Sci. Adv. 2017, 3, e1700782.
Zhang, Y.; Liu, J.; Chen, X.; et al. Advances in Sustainable Polyolefins: Synthesis, Chemical Transformation and Recycling. Natl. Sci. Rev. 2025, 12, nwaf489.
Tran, H.; Gurnani, R.; Kim, C.; et al. Design of Functional and Sustainable Polymers Assisted by Artificial Intelligence. Nat. Rev. Mater. 2024, 9, 866.
Coates, G. W.; Getzler, Y. D. Chemical recycling to monomer for an ideal, circular polymer economy. Nat. Rev. Mater. 2020, 5, 501.
Shieh, P.; Nguyen, H. V.-T.; Johnson, J. A. Tailored silyl ether monomers enable backbone-degradable polynorbornene-based linear, bottlebrush and star copolymers through ROMP. Nat. Chem. 2019, 11, 1124.
Nobis, M.; Takahashi, K.; Uchida, J.; Nakagawa, S.; Yoshie, N.; Kato, T.; Nozaki, K. Polyethyleneketones with Controlled Spacer Units: Synthesis, Characterization, and Photodegradation. J. Am. Chem. Soc. 2025, 147, 17034.
Mahadas N. A.; Suhail A.; Sobczak M. T. et al. High molecular weight biobased long-chain aliphatic polyesters with degradability: insights into mimicking polyethylene. Macromolecules 2025, 58, 4070.
Ortmann P. and Mecking S. Long-spaced aliphatic polyesters. Macromolecules 2013, 46, 7213.
Roy, D.; Cambre, J. N.; Sumerlin, B. S. Future perspectives and recent advances in stimuli-responsive materials. Prog. Polym. Sci. 2010, 35, 278.
Kim, H.; Abdala, A. A.; Macosko, C. W. Graphene/Polymer Nanocomposites. Macromolecules 2010, 43, 6515.
Advincula. R. C. et al. High performance polymers for oil and gas applications. Reactive and Functional Polymers. 2021, 162, 104878.
Kim, C.; Park, J.; Lee, S.; et al. Machine Learning in Polymer Research. Adv. Mater. 2025, 37, 2413695.
Coley, C. W.; Eyke, N. S.; Jensen, K. F.; et al. Autonomous Discovery in the Chemical Sciences Part II: Outlook. Angew. Chem. Int. Ed. 2020, 59, 23414.
Butler, K. T.; Davies, D. W.; Cartwright, H.; et al. Machine Learning for Molecular and Materials Science. Nature 2018, 559, 547.