본문 바로가기
대메뉴 바로가기
KAIST
연구뉴스
유틸열기
홈페이지 통합검색
-
검색
메뉴 열기
%EB%AC%BC%EC%84%B1+%EC%98%88%EC%B8%A1
최신순
조회순
인공지능 화학 학습으로 새로운 소재 개발 가능
새로운 물질을 설계하거나 물질의 물성을 예측하는 데 인공지능을 활용하기도 한다. 한미 공동 연구진이 기본 인공지능 모델보다 발전되어 화학 개념 학습을 하고 소재 예측, 새로운 물질 설계, 물질의 물성 예측에 더 높은 정확도를 제공하는 인공지능을 개발하는 데 성공했다. 우리 대학 화학과 이억균 명예교수와 김형준 교수 공동 연구팀이 창원대학교 생물학화학융합학부 김원준 교수, 미국 UC 머세드(Merced) 응용수학과의 김창호 교수 연구팀과 공동연구를 통해, 새로운 인공지능(AI) 기술인 ‘프로핏-넷(이하 PROFiT-Net)’을 개발하는 데 성공했다고 9일 밝혔다. 연구팀이 개발한 인공지능은 유전율, 밴드갭, 형성 에너지 등의 주요한 소재 물성 예측 정확도에 있어서 이번 기술은 기존 딥러닝 모델의 오차를 최소 10%, 최대 40% 줄일 수 있는 것으로 보여 주목받고 있다. PROFiT-Net의 가장 큰 특징은 화학의 기본 개념을 학습해 예측 성능을 크게 높였다는 점이다. 최외각 전자 배치, 이온화 에너지, 전기 음성도와 같은 내용은 화학을 배울 때 가장 먼저 배우는 기본 개념 중 하나다. 기존 AI 모델과 달리, PROFiT-Net은 이러한 기본 화학적 속성과 이들 간의 상호작용을 직접적으로 학습함으로써 더욱 정밀한 예측을 할 수 있다. 이는 특히 새로운 물질을 설계하거나 물질의 물성을 예측하는 데 있어 더 높은 정확도를 제공하며, 화학 및 소재 과학 분야에서 크게 기여할 것으로 기대된다. 김형준 교수는 "AI 기술이 기초 화학 개념을 바탕으로 한층 더 발전할 수 있다는 가능성을 보여주었다ˮ고 말했으며 “추후 반도체 소재나 기능성 소재 개발과 같은 다양한 응용 분야에서 AI가 중요한 도구로 자리 잡을 수 있는 발판을 마련했다ˮ고 말했다. 이번 연구는 KAIST의 김세준 박사가 제1 저자로 참여하였고, 국제 학술지 `미국화학회지(Journal of the American Chemical Society)' 에 지난 9월 25일 字 게재됐다. (논문명: PROFiT-Net: Property-networking deep learning model for materials, PROFiT-Net 링크: https://github.com/sejunkim6370/PROFiT-Net) 한편 이번 연구는 한국연구재단(NRF)의 나노·소재 기술개발(In-memory 컴퓨팅용 강유전체 개발을 위한 전주기 AI 기술)과 탑-티어 연구기관 간 협력 플랫폼 구축 및 공동연구 지원사업으로 진행됐다.
2024.10.10
조회수 1297
오차율 10% 이내 정확도의 소재 설계 기술 개발
우리 대학 화학과 김형준 교수 연구팀이 소재 물성의 예측 오차율을 기존 기술보다 30% 이상 줄여 정확도를 한층 높인 소재 시뮬레이션 설계 기술을 개발했다. 이번 기술 개발을 통해 기존 40%에 달했던 소재 물성 예측 오차율을 10% 내로 줄임으로써 소재 개발에 걸리는 시간과 비용을 크게 절약할 수 있을 것으로 기대된다. 김민호 박사와 창원대 김원준 교수가 공동 1 저자로 참여한 이번 연구 결과는 국제 학술지 ‘미국 화학회지(Journal of the American Chemical Societry)’ 1월 10일 자 온라인판에 게재됐다. (논문명 : uMBD: A Materials-Ready Dispersion Correction that Uniformly Treats Metallic, Ionic, and van der Waals Bonding) 새로운 기능성 소재 개발의 중요성이 커지면서 컴퓨터 시뮬레이션을 이용해 소재 물성을 정확히 예측해 새로운 소재를 설계하는 기술이 주목받고 있다. 소재 시뮬레이션 기술은 실제로 소재를 합성하고 평가하기 전에 가상 실험으로 다양한 소재 물성을 예측 및 설계하는 기술로, 주로 밀도범함수 이론(Density functional theory)이라는 양자 이론에 바탕을 두고 있다. 기존의 밀도범함수 이론은 소재 계면에서 반데르발스 힘을 정확하게 설명하지 못한다는 문제가 있었다. 반데르발스 힘은 전하의 일시적 쏠림으로 인해 분자가 순간적으로 극성을 띠면서 나타나는 당기는 힘을 뜻하는데, 이를 정확히 기술하지 못하기 때문에 소재 물성 예측 정확도가 떨어진다는 한계가 있다. 연구팀은 반데르발스 힘을 정확하고 효과적으로 기술할 수 있는 새로운 이론을 개발하고, 이를 밀도범함수 이론에 접목해 소재 시뮬레이션 기술의 정확도를 한층 높이는 데 성공했다. 연구팀은 100여 종의 다양한 소재를 테스트한 결과 40% 정도에 달했던 기존의 소재 물성 예측 오차율이 새 기술을 통해 10% 이내로 줄어듦을 확인했다. 특히 반데르발스 힘은 분자 소재부터 금속 및 반도체 소재에 이르기까지 거의 모든 재료 내에서 소재 물성을 결정하는 데 중요한 역할을 해, 연구팀의 새로운 이론은 다양한 차세대 기능성 소재 설계 연구에 적용 가능할 것으로 기대된다. 실제로 연구팀의 새 시뮬레이션 방법을 통해 리튬 이온 배터리 물질의 전압이나 2차원 소재의 박리 에너지를 예측하는 과정에서 높은 정확도를 보인 것으로 확인됐다. 김형준 교수는 “소재 개발 연구에 있어 경쟁력 강화를 위해서 기초 연구의 중요성이 점차 커지고 있다”라며 “새로 개발한 소재 시뮬레이션 기술을 배터리 소재, 에너지 전환 촉매 소재, 2차원 나노 소재 등 다양한 기능성 소재 설계 연구에 적용할 수 있을 것이다”라고 말했다. 이번 연구는 한국연구재단의 미래소재디스커버리 사업과 선도연구센터 지원 사업 (SRC)의 지원을 통해 수행됐다. □ 그림 설명 그림1. 새롭게 개발한 이론 (uMBD)을 이용한 소재 시뮬레이션 기술과 기능성 소재 설계
2020.01.29
조회수 11148
<<
첫번째페이지
<
이전 페이지
1
>
다음 페이지
>>
마지막 페이지 1