-
인공지능으로 고성능 양자물성 계산시간 획기적 단축
인공지능과 고성능 과학계산 간의 밀접한 관련성은 최근 2024년도 노벨 물리학상과 화학상이 동시에 수상된 것을 보면 알 수 있다. 우리 연구진이 인공지능을 활용하여 3차원 공간에 분포하는 원자 수준의 화학결합 정보를 예측하여 양자역학적 고성능 컴퓨터 시뮬레이션의 계산 시간을 획기적으로 단축하는데 성공했다.
우리 대학 전기및전자공학부 김용훈 교수팀이 물질의 특성을 도출하기 위해 슈퍼컴퓨터를 활용해 수행되는 원자 수준 양자역학적 계산에 필요한 복잡한 알고리즘을 우회하는 3차원 컴퓨터 비전 인공신경망 기반 계산 방법론을 세계 최초로 개발했다고 30일 밝혔다.
슈퍼컴퓨터를 활용한 양자역학적 밀도범함수론(density functional theory, DFT)* 계산은 빠르면서도 정확하게 양자 물성을 예측할 수 있게 해 첨단 소재 및 약물 설계를 포함한 광범위한 연구·개발 분야에서 표준적인 도구로 자리 잡아 필수 불가결한 역할을 하고 있다.
*밀도범함수론(DFT): 원자 단위에서부터 양자역학적으로 물성을 계산하는 제1원리 계산의 대표적인 이론
그러나 실제 밀도범함수론 계산에서는 3차원적인 전자밀도를 생성한 후 양자역학 방정식을 푸는 복잡한 자기일관장 과정(self-consistent field, SCF)*을 수십에서 수백 번씩 반복해야 해서 그 적용 범위가 수백~수천 개의 원자로 제한되는 한계가 있었다.
*자기일관장(SCF): 상호 연결된 여러 개의 연립 미분 방정식으로 기술해야 하는 복잡한 다체 문제(many-body problem)를 해결하기 위해 널리 사용되는 과학계산법
김용훈 교수 연구팀은 자기일관장 과정을 최근 급속한 발전을 이룬 인공지능 기법으로 회피하는 것이 가능한지 질문했다. 그 결과 3차원 공간에 분포된 화학 결합 정보를 컴퓨터 비전 분야의 신경망 알고리즘을 통해 학습해 계산을 가속화하는 딥SCF(DeepSCF) 모델을 개발했다.
연구진은 밀도범함수론에 따라 전자밀도가 전자들의 양자역학적 정보를 모두 포함하고 있으며 이에 더해 전체 전자밀도와 구성 원자들의 전자밀도의 합 간의 차이인 잔여 전자밀도가 화학결합 정보를 담고 있는 점에 주목하고 기계학습의 목표물로 선정했다.
이후 다양한 화학결합 특성을 포함한 유기 분자들의 데이터 세트를 채택했고 그 안에 포함된 분자들의 원자구조들에 임의의 회전과 변형을 가해 모델의 정확도 및 일반화 성능을 더욱 높였다. 최종적으로 연구팀은 복잡하고 큰 시스템에 대해 딥SCF 방법론의 유효성 및 효율성을 입증했다.
이번 연구를 지도한 김용훈 교수는“3차원 공간에 분포된 양자역학적 화학결합 정보를 인공 신경망에 대응시키는 방법을 찾았다”며 “양자역학적 전자구조 계산이 모든 스케일의 물성 시뮬레이션의 근간이 되므로 인공지능을 통한 물질 계산 가속화의 전반적인 기반 원리를 확립한 것”이라고 연구의 의의를 부여했다.
전기및전자공학부 이룡규 박사과정이 제 1저자로 수행한 이번 연구는 소재 계산 분야의 권위 있는 학술지 '네이쳐 파트너 저널 컴퓨테이셔널 머터리얼즈(Npj Computational Materials)'에 10월 24일 字 온라인판에 게재됐다. (논문명 : Convolutional network learning of self-consistent electron density via grid-projected atomic fingerprints)
한편, 이번 연구는 KAIST 석박사 모험사업, 한국연구재단 중견연구자지원사업 등의 지원을 받아 수행되었다.
2024.10.30
조회수 1205
-
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 1768
-
챗MOF로 96.9% 금속 유기 골격체 물성 예측하다
우리 대학 연구진이 챗GPT를 활용해 큰 다공성, 높은 표면적, 그리고 뛰어난 조절 가능성으로 많은 화학 응용 분야에서 사용되는 금속 유기 골격체의 특성을 예측하고 새로운 재료를 자동으로 생성하는 챗봇 시스템(이하 챗MOF)을 개발했다. 챗MOF는 검색 및 예측 작업에서 각각 96.9% 및 95.7%의 높은 성공률을 보여 화제다.
생명화학공학과 김지한 교수 연구팀이 인공지능(AI)의 급격한 발전에 주목하며, 대규모 언어 모델(이하 LLMs) 활용을 통해 금속 유기 골격체(Metal-Organic Frameworks, MOFs)의 특성을 예측하고 새로운 재료를 자동으로 생성하는 챗봇 시스템(ChatMOF)을 개발했다고 26일 발표했다.
최근 인공지능(AI)의 발전에는 큰 도약이 있었지만 재료 과학에서의 LLM의 잠재력을 완전히 실현하기에는 여전히 물질의 복잡성과 재료별 특화된 훈련 데이터의 부족이라는 한계점이 존재했다.
김지한 교수 연구팀이 개발한 챗MOF는 재료 분야에서 전통적인 머신러닝 모델과 LLM을 결합한 혁신적인 접근 방식으로 계산 및 머신러닝 도구에 대한 초보자들과의 격차를 상당히 줄일 수 있는 잠재력을 가지고 있다.
또한 이 독특한 시스템은 인공지능의 변혁적인 능력과 재료 과학의 복잡한 측면들을 연결하며, 다양한 작업에서 뛰어난 성능을 보여준다. 챗MOF는 검색 및 예측 작업에서 각각 96.9% 및 95.7%의 높은 성공률을 보고한다. 한편, 더 복잡한 구조 생성 작업은 그 복잡함에도 불구하고 주목할 만한 87.5%의 정확도를 달성한다. 이러한 유망한 결과는 챗MOF가 가장 요구가 많은 작업을 관리하는 데도 효과적임을 강조한다.
김지한 교수는 “연구팀이 개발한 기술은 재료 과학 분야에서 인공지능의 더 높은 자율성을 달성하기 위한 중요한 진전을 나타낸다. 기술이 발전함에 따라, 모델 용량과 온라인 플랫폼에서의 데이터 공유에 대한 체계적인 개선을 통해 챗MOF의 성능을 더욱 최적화할 수 있으며, 이는 금속 유기 골격체 연구 분야에서 놀라운 진전을 촉진할 수 있다.”라고 말했다.
생명화학공학과 강영훈 박사과정이 제1 저자로 참여한 이번 연구 결과는 국제 학술지 `네이처 커뮤니케이션즈(Nature communications)'에 지난 6월 3일 게재됐다. (논문명: ChatMOF: An Artificial Intelligence System for Predicting and Generating Metal-Organic Frameworks Using Large Language Models)
한편 이번 연구는 과학기술정보통신부의 지원으로 국가 소재 연구 데이터 사업단, 그리고 한국연구재단 (NRF) 중견 연구자 지원 사업의 지원을 받아 수행됐다.
2024.06.26
조회수 3227
-
양자 컴퓨터로 새로운 물성 연구 성공
양자 물질을 연구하거나 설계할 때 기존의 폰노이만식 전자컴퓨터를 이용한 계산은 근본적인 한계를 가진다. 양자계의 경우 양자 얽힘 등의 효과로 인해 계산량이 기하급수적으로 증가하기 때문이다. 따라서 양자물질 설계를 위해 물질의 특성을 알아내고자 할 때, 양자컴퓨터를 이용하는 양자 시뮬레이션이 필요하다.
우리 대학 물리학과 안재욱 교수 연구팀이 코펜하겐 대학 클라우스 뭴머(Klaus MØlmer) 교수 연구팀과 함께 양자 시뮬레이션을 수행하는 양자 컴퓨터 플랫폼으로 최근 가장 주목을 받는 리드버그 원자 양자 컴퓨터를 이용해 양자 자성체의 극단적 특성을 구현하는데 성공했다고 11일 밝혔다.
자성체 물질은 하드 디스크와 같은 전자제품을 비롯해 전력 발전 등에도 사용되는 등 현대 기술의 핵심 요소다. 최근에는 상온 자성체를 넘어서 양자적 특성이 두드러지는 초저온에서 양자 자성체 특성에 관한 연구가 활발히 이뤄지고 있다. 초저온에서 수행되는 물성 분석 및 계측 연구는 MRI 등의 의학 기기 등에 응용될 뿐만 아니라, 차세대 초정밀 제어계측공학을 촉발할 것으로 기대된다.
유명 물리학자 리처드 파인만은 1983년 양자계의 특성을 인공적인 양자계로 모방해 연구하는 양자 시뮬레이션을 제안하였다. 인공적으로 모방한 양자계의 특성을 연구하면 기존 양자계의 특성을 알아낼 수 있다.
양자 시뮬레이션을 이용한 양자 자성체의 연구는 지난 10년간 세계 유수의 대학과 연구소에서 이뤄지고 있으며 이전까지 알려지지 않은 양자 물질의 특성들을 실험적으로 확인하는 성과를 보였다. 현재 양자 물질을 시뮬레이션하는 데 있어 중요한 이슈 중 하나는 극단적인 상황 속 양자 물질의 현상을 관찰하는 것이다.
한편 이와 같은 양자 시뮬레이션을 수행하는 양자 컴퓨터 플랫폼으로 최근 가장 주목을 받는 것은 리드버그 원자다. 리드버그 원자는 최외각 전자가 이온화되어 떨어지기 직전의 매우 높은 에너지를 머금고 있는 원자로, 일반 원자의 만 배 정도의 지름을 가지며 (10의 24제곱)배 정도 더 큰 상호작용을 한다. 우리 대학 물리학과 안재욱 교수 연구팀은 최근 리드버그 원자를 이용해 최대 156큐비트급의 양자 컴퓨터 계산을 선보인 바 있다.
이번 연구에서 글로벌 공동연구팀은 리드버그 원자를 이용한 양자 컴퓨터를 이용해 양자 자성체를 설명하는 모형 중 하나인 하이젠베르크 모형*을 양자 컴퓨터로 모방해 구현했다. 특히 이전의 하이젠베르크 모형의 구현과 다르게, 이번 연구에서는 리드버그 원자의 강한 상호작용을 이용한 극단적 이방성 (3차원 중 특정 방향이 다른 방향 대비 1000배 이상 강하게 상호작용하는 특성으로 새로운 연구영역이 확보됨)을 구현하는 데 성공했다.
*하이젠베르크 모형: 하이젠베르크 자성체 모형은 자성체 스핀 간의 모든 방향 (x, y, z 방향) 상호작용을 가정한 모형으로 양자 자성체의 대표적 모델 중 하나임.
연구를 주도한 안 교수는 “이번 연구는 리드버그 양자컴퓨터를 이용해 새로운 양자 물성을 연구할 수 있음을 보였다”라고 밝히고 “양자컴퓨터를 이용하는 물성 연구가 활발해질 것”이라고 기대했다.
우리 대학 물리학과 김강흔 대학원생 연구원과 덴마크 오르후스 대학의 팬 양(Fan Yang) 박사후 연구원이 참여한 이번 연구는 국제 학술지 `피지컬 리뷰 X (Physical Review X)' 2월 14권에 출판됐다. (논문명 : Realization of an Extremely Anisotropic Heisenberg Magnet in Rydberg Atom Arrays).
한편 이번 연구는 삼성미래기술재단과 한국연구재단의 지원으로 수행됐다.
2024.03.11
조회수 3753
-
신소재 영상화 및 머신러닝을 활용한 미래 개척
우리 대학 신소재공학과 홍승범 교수 연구팀이 KAIST 10대 플래그쉽 분야이자, 글로벌 특이점 과제인 `KAIST 신소재 혁명: M3I3 이니셔티브' 과제의 배경, 역사, 진행 상황 그리고 미래 방향을 제시했다고 31일 밝혔다.
홍 교수 연구팀은 다중스케일 다중모드 영상화 기술과 머신러닝(기계학습) 기법을 융합해서 고차원의 구조-물성 및 공정-구조 상관관계를 도출했다. 그리고 이를 인공지능과 3차원 다중 스케일 프린팅 기술을 활용해서 신소재 디자인부터 시장 진입까지의 기간을 획기적으로 단축할 수 있는 비전과 실행 플랫폼을 제안했다. M3I3 플랫폼은 고용량 에너지 소재 디자인에서 시작해서, 고밀도 메모리 소재, 고성능 자동차/항공 소재에도 응용 가능할 것으로 기대된다.
우리 대학 신소재공학과 홍승범 교수가 제1 저자로, 리오치하오 박사가 제2 저자로 참여하고, 육종민 교수, 변혜령 교수, 양용수 교수, 조은애 교수, 최벽파 교수, 이혁모 교수가 공동 저자로 참여한 이번 연구는 국제 학술지 `에이씨에스 나노(ACS Nano)' 2월 12일 字 온라인 출판됐다. (논문명 : Reducing Time to Discovery: Materials and Molecular Modeling, Imaging, Informatics, and Integration)
역사의 큰 흐름을 결정한 신소재는 시행착오와 도제식의 비결 전수를 통해서 발견 및 개발돼왔다. 각종 무기와 그릇, 그리고 장신구들이 좋은 예다. 광학현미경이 발명되면서 검의 미세구조와 검의 강도 혹은 경도 간의 상관관계를 이해하기 시작했고, 투과전자현미경과 원자간력 현미경의 발명으로 원자 수준의 분해능으로 신소재를 영상화하기 시작했다.
고려청자를 현재 재현하지 못하는 것은 고려 시대의 장인들이 그 비결을 남기지 않았기 때문이라고 우리는 가르치고 있다. 그러나, 미래에는 고려청자의 다중 스케일 구조를 영상화해서 데이터화 하고, 구조를 구현할 수 있는 공정 과정을 머신러닝의 힘을 빌려 역설계한다면, 고려청자를 재현하는 일은 가능할 것으로 보인다.
우리 대학 M3I3 플랫폼은 이처럼 다중 스케일 및 다중 모드 영상화 기술, 데이터 마이닝과 머신러닝, 그리고 다중 스케일 제조 기술을 접목해 미래에 필요한 신소재를 역설계해서 빠르게 공정 레시피를 확보할 수 있게 만들어준다.
이번 논문에서는 M3I3 플랫폼의 유효성을 확인하기 위해 배터리 소재에 적용하는 연구를 진행했다. 고용량 배터리 소재의 개발 기간을 단축할 수 있다는 것을 검증하기 위해서 20년간의 논문 자료를 50여 명의 학생이 읽고 데이터를 추출해 양극재의 에너지 밀도와 소재 조성 간의 상관관계를 도출했다. 그리고 논문에 나와 있는 공정, 측정 및 구조 변수들을 머신러닝 기법을 활용해 모델을 수립한 후, 무작위 조건에서 합성해 모델의 정확도를 측정함으로써 데이터 마이닝과 머신러닝의 우수성을 입증했다.
또한 투과전자현미경(TEM), 주사투과전자현미경(STEM), 원자간력현미경(AFM), 광학현미경 등의 다양한 현미경과 엑스레이(X-ray), 라만(Raman), UV/Visible/IR 등 다양한 분광 장비들을 통해 얻은 영상과 스펙트럼 데이터를 기반으로 다중 스케일 구조↔물성 상관관계를 도출하고, 여러 가지 공정변수 데이터를 수집해, 공정↔구조 상관관계를 수립하는 것이 M3I3 플랫폼의 중요한 핵심이다. 특히, 실험데이터와 시뮬레이션 데이터를 융합하고, 머신러닝으로 생성한 가상의 데이터를 과학적인 기준에 맞춰 유의미한 빅데이터로 만들면, 머신러닝을 활용해 물성→구조→공정으로 연결되는 역설계 알고리즘을 개발하는 것이 가능해지며, 이를 통해 미래에 필요한 물성을 갖는 신소재 공정 레시피를 신속하게 확보할 수 있게 된다.
제1 저자인 홍승범 교수는 "과학은 날카로운 관찰과 정량적 측정에서 시작한 학문이며, 기술의 발전으로 현재는 눈에 보이는 소재의 모양과 구조뿐만 아니라 눈에 보이지 않는 소재의 구조를 볼 수 있는 시대가 왔고, 물성마저 공간과 시간의 함수로 영상화할 수 있는 시대가 도래했다ˮ라며 "신소재 영상화 기술과 머신러닝 기술을 융합하고 3D 프린팅 기술을 다중 스케일 자동 합성 기술로 승화시키게 되면 20년 걸리던 신소재 개발 기간을 5년 이내로 단축할 수 있을 것이다ˮ 라고 말했다.
한편, 이번 연구는 글로벌 특이점 사업의 지원을 받아 수행됐다.
2021.04.01
조회수 89555
-
개교 50주년 국제학술지 ACS Nano 특집호 발간
우리 대학은 나노과학분야 권위학술지 ‘에이시에스 나노 (ACS Nano)’가 KAIST의 혁신적인 연구 성과와 코로나 대응을 위한 연구개발 노력을 집중 조명하는 개원 50주년 기념특집호를 발간했다고 22일 밝혔다.
에이시에스 나노 부편집장인 신소재공학과 김일두 교수가 주도한 이번 ‘ACS Nano’ 특집호는 혁신과 도전 정신을 바탕으로 ‘글로벌 가치창출 선도대학’의 비전을 이룩해온 KAIST의 50년 역사를 소개하며, 4만6천여 명의 석·박사 졸업생이 사회 각 분야의 핵심 인력이 되어 대한민국의 경제발전 및 성장을 이끌어나가는 점을 조명했다.
또한, 코로나 시대에 국제적인 연구 협력 및 교류가 더욱 필요한 점을 역설하면서, 작년 9월 KAIST가 주최하여 국제적으로 약 1만여명이 참여한 ‘제1회 KAIST 이머징 소재 심포지엄’을 코로나 및 4차 산업 혁명 시대에 걸맞는 성공적인 비대면 학술 교류 사례로 소개했다.
이번 특집호는 KAIST 교수진이 주도적으로 진행한 나노과학 분야 우수한 성과 내용 및 미래 발전 방향을 깊이 있게 요약한 14개의 리뷰논문을 △신소재 물성 연구 △소재 가공 및 처리 기술 △고급 물질분석 기술 △첨단 기술의 실용화의 네 가지 주제로 나누어 수록했다.
신소재 물성 연구
신소재공학과 박찬범 교수의 리뷰(Photonic Carbon Dots as an Emerging Nanoagent for Biomedical and Healthcare Applications)는 10나노미터 이하의 크기를 가지는 탄소 나노입자인 카본 닷의 주목할만한 광학적 특성과 그 기전에 관해 설명하고, 기존 광학 물질보다 높은 성능·가공의 용이성·안전성·낮은 가격을 가진 차세대 광학 재료로의 가능성을 소개했다.
생명화학공학과 이현주 교수의 리뷰(Heterogeneous Atomic Catalysts Overcoming the Limitations of Single-Atom Catalysts)는 이론상 최대 성능을 낼 것으로 여겨지는 단원자 촉매의 개발 현황 및 단원자 촉매의 고활성도에 대한 원리를 설명하고, 단원자 촉매의 한계점과 이를 돌파할 수 있는 해법으로 앙상블 촉매의 개념을 소개했다.
에이시에스 나노 11월호 표지 논문으로도 선정된 신소재공학과 정성윤 교수의 리뷰(Atomic-Level Manipulations in Oxides and Alloys for Electrocatalysis of Oxygen Evolution and Reduction)는 산업적으로 매우 중요한 산소 발생 및 환원 반응 (OER/ORR) 에 있어 최적의 금속 및 금속 산화물 기반의 전기촉매를 합성하기 위한 디자인 원칙을 소개하며, 특히 OER/ORR 특성을 극대화하는 방법을 물성-구조의 관점에서 명쾌하게 요약하였다.
소재 가공 및 처리 기술
신소재공학과 강기범 교수의 리뷰(Growth and Interlayer Engineering of 2D Layered Semiconductors for Future Electronics)는 차세대 반도체 후보로 뛰어난 물성을 가진 2차원 다중층 물질의 특성 및 그 합성법을 소개하고, 최근 그 구조를 제어하기 위해 개발된 합성 후처리 기술인 ‘중간층 공정 (interlayer engineering)’에 대해 자세하게 설명하였다.
생명화학공학과 김범준 교수의 리뷰(Eco-Friendly Polymer Solar Cells: Advances in Green-Solvent Processing and Material Design)는 값비싼 실리콘 기반 태양전지를 대체할 수 있는 소재로 최근에도 많은 연구가 진행 중인 고분자 기반 태양전지를 소개하며, 환경 및 건강에 해로운 기존 고분자 합성 공정의 문제점을 해결하는데 필요한 친환경 공정 개발 전략 및 현황을 소개했다.
신소재공학과 정우철 교수의 리뷰(Nanoparticle Ex-solution for Supported Catalysts: Materials Design, Mechanism and Future Perspectives)는 금속 나노입자 촉매를 금속산화물 지지체에 강력하고 균일하게 결착시켜 우수한 열적 안정성을 지닌 촉매 물질을 합성할 수 있는 엑솔루션 기술의 기초 원리 및 수많은 응용법에 대해 자세하게 설명하였다.
신소재공학과 전석우 교수 및 원자력양자공학과 장동찬 교수의 리뷰(Scalable Fabrication of High-Performance Thin Shell Oxide Nano-Architected Materials via Proximity Field Nanopatterning)는 정렬된 나노구조체의 대면적 생산을 가능하게 하는 3차원 광패턴 기술을 소개하고, 기존의 물성-구조 관계상의 한계를 초월하여 우수한 기계적 특성을 지닌 물질의 합성에 대해 소개했다.
고급 물질분석 기술
화학과 박정영 교수의 리뷰(Operando Surface Characterization on Catalytic and Energy Materials from Single Crystals to Nanoparticles)는 X선 광전자 분광법 및 원자간력 현미경 등 기존 물질분석법이 고진공 환경 등 실제와 차이가 있는 조건에서 진행되는 만큼 현실적인 물성 분석에 한계가 있는 점을 들어 비진공 및 실제 응용 조건에서 분석이 가능한 신기술의 원리 및 적용에 관해 설명하였다.
신소재공학과 육종민 교수의 리뷰(Graphene Liquid Cell Electron Microscopy: Progress, Applications, and Perspectives)는 생물 조직 등 소프트 재료의 특성 및 콜로이드 물질의 나노스케일 역학을 실시간으로 직접 관찰하는 방법으로 그래핀 기반 실시간 액상투과전자현미경 기술을 소개하고, 각 발전 단계의 사례들을 중심으로 기술의 핵심 원리를 소개했다.
신소재공학과 홍승범 교수의 리뷰(Reducing Time to Discovery: Materials and Molecular Modeling, Imaging, Informatics and Integration)는 물질의 구조와 물성을 한꺼번에 분석할 수 있는 신기술들을 소개하고, 확보한 데이터를 기반으로 다중 스케일 모델링 및 영상화를 통해 물질계의 물성-구조 및 물성-가공 관계에 대한 데이터베이스를 구축하는 방법, 그리고 이에 머신러닝을 접합하여 자동화된 신소재 개발이 가능한 시스템을 디자인하는 접근법을 소개했다.
첨단 기술의 실용화
신소재공학과 김일두 교수의 리뷰(Chemiresistive Hydrogen Sensors: Fundamentals, Recent Advances, and Challenges)는 높은 가연성으로 매우 위험하나 산업적으로 중요한 수소 기체의 누출 여부를 조기에 감지할 수 있는 저항변화식 센서 개발에 관해 설명하며, 수소와 반응해 전기적 저항이 변화하는 원리 및 성능 개선 전략을 각 물질군에 대해 정리하여 요약하였다.
신소재공학과 스티브박 교수의 리뷰(From Diagnosis to Treatment: Recent Advances in Patient-Friendly Biosensors and Implantable Devices)는 비침습적 방법으로 바이오마커를 감지해 환자의 병리적인 상태를 빠르고 간단하게 파악할 수 있는 장치와 더불어 인체 친화적인 치료용 이식 장치의 개발에 대한 전반적인 현황과 인체 친화성을 갖추는 데 있어 필수적인 요소들을 소개하였다.
전기및전자공학부 최양규 교수의 리뷰(Triboelectric Nanogenerator: Structure, Mechanism, and Applications)는 혁신적인 에너지 하베스팅 기술인 마찰전기 기반의 나노 발전기를 소개하고, 나노 발전기의 구동 원리 및 에너지 변환 효율 증대를 위한 기본 요소들에 관해 자세히 설명하였다.
화학과 변혜령 교수 및 신소재공학과 김일두 교수의 리뷰(Lithium-Air Batteries: Air-Breathing Challenges and Perspective)는 기존의 리튬 이온 기반 이차전지보다 이론적인 성능이 더욱 뛰어나며 풍부한 자원인 공기를 이용하는 리튬-공기 기반 이차전지를 소개하고, 이를 구성하는 필수 요소들의 역할 및 개선 방안에 대해 소개했다.
코로나에 맞선 KAIST의 선도적 역할
에이시에스 나노는 이와 더불어 과학기술정보통신부 지원하에 KAIST가 주도한 “코로나대응 과학기술 뉴딜 사업”을 팬데믹 위기극복을 위한 기술 혁신 및 집단지성의 예시이자 국제적인 모범 사례로 조명하였으며, 감염병 대응의 각 단계인 예방보호·응급대응·치료복구에 사용될 △재사용 항바이러스 필터 △이송-입원 연계형 음악 앰뷸런스 △이동 확장형 음압 병동 등의 신기술 개발 성과를 소개했다.
안재완 신소재공학과 박사, 배충식 KAIST 공과대학장, Paul S. Weiss 에이시에스 나노 편집장, 김일두 신소재공학과 교수가 저자로 참여한 이번 온라인 특집호는 2021년 2월호 ACS Nano에 소개됐다.
2021.02.22
조회수 88565
-
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 11308
-
김지한 교수, 비정질 다공성 물질의 가스 흡착 성능 분석법 개발
〈 김 지 한 교수 〉
우리 대학 생명화학공학과 김지한 교수 연구팀이 비정질 다공성 물질의 가스 흡착 성능을 예측하는 방법을 개발했다.
이번 연구는 교토대 임대운 교수, 서울대 백명현 교수, 가천대 윤민영 교수, 사우디 아람코 연구소와 공동으로 진행됐다.
정우석 박사과정생과 임대운 교수가 공동 1저자로 참여한 이번 연구는 국제 학술지 ‘미국국립과학원회보(PNAS)’ 7월 10일자 온라인 판에 게재됐다.
금속-유기물 구조체(metal-organic framework, MOF)는 넓은 표면적과 풍부한 내부 공극을 가지고 있어 다양한 에너지 및 환경 관련 소재로 응용될 수 있다.
이런 금속-유기물 구조체 물질 대부분이 결정성 물질이지만 합성과정 또는 산업 공정에 사용 중에 구조가 붕괴돼 결정성을 잃기 쉽다. 그로 인해 내부 구조를 파악할 수 없게 되면 기존의 어떠한 컴퓨터 시뮬레이션 방법론으로도 분석이 어려웠다.
김 교수 연구팀은 이와 같이 붕괴된 금속-유기물 구조체의 물성치를 결정성 금속-유기물 구조체의 물성치로 대체해 우회적으로 비정질 구조(amorphous structure)의 다공성 물질에서 물성치 분석이 가능함을 증명했다.
연구팀은 우선 12,000여 개의 결정성 금속-유기물 구조체에 대해 다양한 가스 및 온도 조건에서 가스 흡착 물성치 계산을 수행했다. 이로부터 특정 가스 및 온도 조건에서 비슷한 물성치를 보인 금속-유기물 구조체들은 다른 가스나 온도 조건에서도 비슷한 흡착 성능을 보인다는 것을 보였다.
이러한 결과를 바탕으로 연구팀은 붕괴된 구조가 보이는 메탄가스 흡착성능과 가장 비슷한 물성치를 지닌 결정성 금속-유기물 구조체들을 12,000여 개 구조 중에서 선별했다.
그 후 전혀 다른 온도 및 수소가스 흡착에 있어서도 붕괴된 구조의 실험값과 결정성 금속-유기물 구조정보를 이용한 시뮬레이션 결과가 잘 일치한다는 상호교환성(transferability)를 확인했다.
이번 연구성과는 구조 정보가 없는 경우에도 금속-유기물 구조체와 같은 다공성 물질들에서 물성치를 예측할 수 있어 앞으로 이산화탄소 포집, 가스 분리 및 저장소재 개발에 활용될 것으로 기대된다.
이번 연구는 Saudi Aramco-KAIST CO2 Management Center의 지원을 받아 수행됐다.
□ 그림 설명
그림1. 구조-물성치 맵에 나타나는 경향성과 붕괴된 구조의 경향성
그림2. 붕괴된 금속-유기물 구조체 실험결과와 결정성 금속-유기물 구조체 시뮬레이션 결과의 상호교환성
2017.07.21
조회수 16456