음이온교환막은 연료전지와 수전해 시스템의 핵심 구성 요소로, 이온전도도, 화학적 안정성, 치수 안정성, 그리고 기계적 강도 사이의 균형이 요구된다. 최근의 기계학습 연구들은 다양한 음이온 교환막 화학 구조 전반에서 음이온전도도를 예측하고, 일부 경우에는 알칼리 안정성까지 예측할 수 있는 조건인지형 대리 모델을 제시하고 있다. 해석 가능한 분석 파이프라인은 고분자 구조와 시험 조건을 성능과 연결해주며, 비지도 매핑은 합성 이전 단계에서의 탐색을 지원한다. 또한 확장 가능한 역방향 설계 워크플로우는 기계 학습과 휴리스틱 탐색을 결합하여, 이온전도도–안정성 기준을 만족하는 거대한 가상 물질 라이브러리를 선별할 수 있게 한다. 장치 관점에서 보면, 데이터 기반 모델은 음이온교환막 수전해 성능을 지배하는 음이온교환막 특성과 운전 인자를 도출해낸다. 본 총설은 이러한 최근 발전을 정리하고, 조건 인지형 메타데이터, 다중 스케일 특성화, 해석 가능한 지도 학습, 비지도 매핑, 그리고 기계 학습 기반 스크리닝으로 이어지는 간결한 워크플로우를 제안함으로써 소재 수준에서 장치 수준으로 이어지는 재현 가능한 전환 경로를 제시한다.

Anion exchange membranes (AEMs) underpin fuel cells and water electrolyzers, requiring a balance of ionic conductivity, chemical stability, dimensional control, and mechanical robustness. Recent machine learning (ML) studies introduce condition-aware surrogate models that predict anion conductivity and, in some cases, alkaline stability across diverse AEM chemistries. Interpretable pipelines relate structure and test conditions to performance, while unsupervised mapping supports pre-synthesis exploration. Scalable inverse-design workflows combine ML with heuristic search to screen large virtual libraries under conductivity-stability criteria. At the device level, data-driven models highlight membrane and operating parameters that govern anion exchange membrane water electrolysis (AEMWE) performance. This mini review summarizes recent progress and outlines a concise workflow, i.e., condition-aware metadata, multi-scale featurization, interpretable supervision, unsupervised mapping, and ML-guided screening, for reproducible materials-to-device translation.