UPDATED. 2020-11-24 20:16 (화)
인공지능을 이용해 숨겨진 소재를 탐색하는 기술 개발
인공지능을 이용해 숨겨진 소재를 탐색하는 기술 개발
  • 이혜인
  • 승인 2020.10.27 16:59
  • 댓글 0
이 기사를 공유합니다

- KAIST 정유성 교수 연구팀, 인공지능(AI) 활용해 새로운 유망 수소생산 촉매 소재를 역설계
- 다양한 소재 응용 분야 활용에 기대, 국제학술지 ACS Central Science 게재

KAIST(총장 신성철)는 생명화학공학과 정유성 교수 연구팀이 인공지능(AI) 기술을 이용해 숨겨진 소재 공간을 탐색, 숨겨진 새로운 물질을 예측하는 기술을 개발하는 데 성공했다고 27일 밝혔다. 

소재 연구의 궁극적인 목표는 원하는 *물성을 갖는 소재를 발견하는 것이다. 그러나 무기화합물의 가능한 모든 조성과 결정구조를 고려할 때 무한대에 가까운 경우의 수를 샅샅이 탐색하기는 쉽지 않다. 이러한 문제 해결을 위한 방안으로 컴퓨터 스크리닝 소재 탐색 방법이 널리 사용되고 있지만 찾고자 하는 소재가 스크리닝 후보군에 존재하지 않을 때는 유망한 물질 후보들을 놓치는 경우가 종종 발생한다.    
☞ 물성(physical properties): 물질의 전기적, 자기적, 광학적, 역학적 성질 따위를 통틀어 이르는 말

정유성 교수 연구팀이 개발한 *소재 역설계 방법은 데이터 학습을 통해 주어진 조성을 갖는 결정구조를 새롭게 생성하게 함으로써 기존 데이터베이스에는 존재하지 않던 신물질을 발견할 수 있도록 한다. 특히, 기존의 역설계 방법에서는 원하는 조성을 제어할 수 없지만, 정 교수팀이 개발한 역설계 방법은 원하는 조성을 제어함으로써 숨어있는 화학 공간을 효율적으로 탐색해 물질을 설계할 수 있다.

☞ 소재 역설계(Materials Inverse Design): 주어진 구조에 대한 물성을 측정하는 방식의 반대 개념으로, 특정한 물성을 갖도록 소재의 구조를 역으로 찾아가는 방법

이번 정 교수팀의 연구성과인 결정구조 예측기술은 인공지능 생성모델인 적대적 생성 신경망(GAN, Generative Adversarial Network)을 기반으로 개발됐다. 또 기존의 복잡한 3차원 이미지 기반 물질 표현자의 단점을 해소하기 위해 비교적 간단한 원자들의 3차원 좌표를 기반으로 한 물질 표현자를 사용했다. 

정 교수팀은 이번 연구를 통해 개발한 소재 역설계 방법을 활용, 빛을 이용한 수소생산 촉매로 활용될 수 있는 마그네슘-망간-산화물 기반의 광촉매 물질의 결정구조를 예측하는 데도 성공했다. 기존 데이터베이스에 존재하지 않는 조성들을 생성조건으로 다양한 마그네슘-망간-산화물 구조를 생성한 결과, 기존에 알려지지 않았으면서 광촉매로서 전도유망한 특성을 갖는 신물질을 다수 발견했다.  

정유성 교수는 "광촉매 물질의 설계에 적용한 이번 소재 설계 프레임워크는 화합물의 화학적 조성뿐 아니라 사용자가 원하는 특정 물성을 갖는 소재를 역설계하는데 적용이 가능하다ˮ면서 "여러 소재 응용 분야에서 활용될 수 있을 것으로 기대된다ˮ고 말했다.

KAIST 생명화학공학과 김성원 박사과정과 노주환 박사과정이 공동 제1 저자로, 토론토 대학의 아스푸루-구지크(Aspuru-Guzik) 교수가 공동연구로 참여한 이 연구성과는 미국화학회(ACS)가 발행하는 국제학술지 `ACS 센트럴 사이언스(Central Science)' 최근호(8월호)에 실렸다. (논문명: Generative Adversarial Networks for Crystal Structure Prediction)

한편, 이번 연구는 과학기술정보통신부 산하 한국연구재단의 기초연구사업(중견연구) 지원을 받아 수행됐다. (끝).


붙임 : 연구개요, 용어설명, 사진설명, 교수이력
□ 연구개요

1. 연구 배경
원하는 물성을 갖는 소재를 발견하는 것은 소재 연구의 궁극적인 목표다. 하지만, 무기화합물의 가능한 모든 조성과 결정구조를 고려할 때 무한대에 가까운 경우의 수를 샅샅이 탐색하는 것은 매우 도전적인 과제다. 이를 해결하기 위한 방법의 하나로 컴퓨터 스크리닝 소재 탐색 방법이 널리 사용되고 있지만 찾고자 하는 소재가 스크리닝 후보군에 존재하지 않을 때 유망한 물질후보들을 놓칠 수 밖에 없는 한계가 존재하였다. 이번에 정유성 교수 연구팀이 개발한 새로운 소재 설계 방법에서는, 데이터 학습을 통해 주어진 조성을 갖는 결정구조를 생성하게 하고, 이를 통해 기존의 데이터베이스에는 존재하지 않았던 신물질을 발견할 수 있도록 하였다. 특히, 기존의 역설계 방법에서는 원하는 조성을 제어할 수 없었지만, 이번 연구에서는 원하는 조성을 제어함으로써 숨어있는 화학공간을 효율적으로 탐색하여 물질을 설계할 수 있도록 하였다.

2. 연구 내용
연구팀이 이번에 개발한 결정구조 예측기술은 인공지능 생성모델인 적대적 생성 신경망(GAN, Generative Adversarial Network)을 기반으로 하고, 기존의 복잡한 3차원 이미지 기반의 물질 표현자의 단점들을 해결 할 수 있는 원자들의 3차원 좌표를 기반으로 한 비교적 간단한 물질 표현자를 사용한 모델로서, 사용자가 원하는 화학적 조성을 갖는 새로운 고체물질을 생성할 수 있도록 모델을 구축하였다. 연구팀은 개발된 방법의 응용으로, 빛을 이용한 수소생산 촉매로 활용될 수 있는 마그네슘-망간-산화물 기반의 광촉매 물질의 결정구조를 예측하는데 적용하였다. 기존 데이터베이스에 존재하지 않는 조성들을 생성조건으로 다양한 마그네슘-망간-산화물 구조를 생성한 결과, 기존에 알려져 있지 않으면서 광촉매로서의 유망한 특성을 갖는 신물질을 23종 발견할 수 있었다.

□ 용어설명

생성모델 (generative model)
데이터가 존재하는 확률분포를 학습하는 인공지능 모델로, 새로운 데이터를 생성할 수 있다는 측면에서 이미지, 음성 처리 등 많은 분야에서 활발히 연구되고 있다.

연속 물질잠재공간 (Continuous materials-latent space)
생성모델을 통해 학습된 물질 데이터가 존재하는 벡터 공간으로, 물질잠재공간을 샘플링함으로서 새로운 물질을 생성할 수 있게 된다.

소재공간 (Materials space) 또는 화학공간 (Chemical space)
화학공간 또는 소재공간은 화학적 구조 원리를 만족하는 모든 가능한 분자와 고체 화합물을 포함하는 가상 공간을 의미하는 화학 정보학의 개념이다.


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.