%EA%B9%80%EC%A7%80%ED%95%9C
-
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 -
챗GPT에 사용된 트랜스포머로 다공성 소재 예측
다공성 소재는 넓은 공극과 표면 면적을 지니고 있어, 가스 흡착, 분리, 촉매 등 다양한 에너지 및 환경 분야에서 적용된다. 다공성 소재 중 한 종류인 금속 유기 골격체(MOF)는 무한대에 가까운 경우의 수를 갖는 넓은 물질 공간(materials space) 안에 존재하기에, 인공지능을 사용해 최적의 물질을 추출하고 특성을 예측하려는 연구가 활발히 진행되고 있다. 하지만 이러한 모델들은 대부분 특정한 물성 한 종류만 학습할 수 있으며, 모든 재료 특성에 보편적으로 적용할 수 없다는 단점이 존재한다.
우리 대학 생명화학공학과 김지한 교수 연구팀이 세계 최초로 멀티모달 트랜스포머를 적용한 인공지능(AI)을 통해 다공성 소재의 다양한 물성을 예측하는 기술을 개발했다고 5일 밝혔다. 멀티모달 트랜스포머는 비디오 프레임과 오디오 트랙, 웹 이미지와 캡션, 교육용 비디오와 음성 대본과 같이 서로 다른 형태의 정보를 효과적이고 효율적으로 결합하도록 설계된 신경망 모델의 일종이다.
김지한 교수 연구팀은 챗GPT(ChatGPT)에서 사용된 모델인 트랜스포머를 다공성 소재에 도입해 모든 성능을 예측할 수 있는 멀티모달 인공 신경망을 개발했다. 멀티모달은 사진(이미지)과 설명(자연어)같이 서로 다른 형태의 데이터를 함께 학습하며, 이는 인간과 비슷하게 입체적이고 종합적인 사고를 할 수 있도록 도와준다. 연구팀이 개발한 멀티모달 트랜스포머 (MOFTransformer)는 원자 단위의 정보를 그래프로 표현하고, 결정성 단위의 정보를 3차원 그림으로 전환 후 함께 학습하는 방식으로 개발했다. 이는 다공성 소재의 물성 예측의 한계점이었던 다양한 물성에 대한 전이 학습을 극복하고 모든 물성에서 높은 성능으로 물성을 예측할 수 있게 했다.
김지한 교수 연구팀은 다공성 소재를 위한 트랜스포머를 개발해 1백만 개의 다공성 소재로 사전학습을 진행했으며, 다공성 소재의 가스 흡착, 기체 확산, 전기적 특성 등의 다양한 소재의 물성을 기존의 발표된 머신러닝 모델들보다 모두 더 높은 성능으로 (최대 28% 상승) 예측하는 데 성공했고, 또한 논문으로부터 추출된 텍스트 데이터에서도 역시 높은 성능으로 예측하는 데 성공했다.
연구팀이 개발한 기술은 물질의 특성을 계산 및 예측하는 새로운 방법론을 제시했으며, 이를 통해 소재 분야에서 새로운 소재의 설계와 개발에 도움이 될 뿐만 아니라, 기존의 소재에 대한 깊은 이해를 얻을 수 있을 것으로 기대된다. 더불어, 멀티모달 트랜스포머는 다공성 소재뿐만 아니라 다른 종류의 소재에도 확장 가능한 범용적인 모델이므로, 인공지능을 통한 소재 과학의 발전에 크게 이바지할 수 있을 것이다.
생명화학공학과 강영훈, 박현수 박사과정이 공동 제1 저자로 참여한 이번 연구 결과는 국제 학술지 `네이처 머신 인텔리전스(Nature Machine Intelligence)'에 지난 3월 13일에 게재됐다. (논문명: A multi-modal pre-training transformer for universal transfer learning in metal–organic frameworks)
한편 이번 연구는 과학기술정보통신부의 지원으로 국가 소재 연구 데이터 사업단, 그리고 한국연구재단 (NRF) 중견 연구자 지원 사업의 지원을 받아 수행됐다.
2023.04.05 조회수 6736 -
김지한 교수, 인공지능 이용한 다공성 물질 역설계 기술 개발
〈 김지한 교수 연구팀 〉
우리 대학 생명화학공학과 김지한 교수 연구팀이 인공지능을 활용해 원하는 물성의 다공성 물질을 역설계하는 방법을 개발했다.
김백준, 이상원 박사과정이 공동 1 저자로 참여한 이번 연구결과는 국제 학술지 ‘사이언스 어드밴시스(Science Advances)’ 1월 3일 자 온라인판에 게재됐다. (논문명 : Inverse Design of Porous Materials Using Artificial Neural Networks)
다공성 물질은 넓은 표면적과 풍부한 내부 공극(孔劇)을 가지고 있어 촉매, 기체 저장 및 분리, 센서, 약물 전달 등 다양한 분야에서 활용되고 있다.
기존에는 이러한 다공성 물질을 개발하기 위해 반복적인 실험을 통한 시행착오를 거치면서 시간과 비용이 많이 소모됐다. 이러한 낭비를 줄이기 위해 가상 구조를 스크리닝해 다공성 물질 개발을 가속화 하려는 시도들이 있었지만, 데이터베이스에 존재하지 않는 새로운 구조를 발견하지 못한다는 문제가 있었다.
최근에는 인공지능 기반의 역설계로 원하는 물성을 가진 물질을 개발하는 연구가 주목받고 있지만, 지금까지의 연구들은 단순한 소형 분자들 위주로 적용되고 있으며 복잡한 다공성 물질을 설계하는 연구는 보고되지 않았다.
김지한 교수 연구팀은 인공지능 기술과 분자 시뮬레이션 기술을 활용해 다공성 물질의 한 종류인 제올라이트 구조를 설계하는 방법을 개발했다.
연구팀은 인공지능 생성모델인 적대적 생성 신경망(GAN, Generative Adversarial Network)과 기존 분자 시뮬레이션에서 활용되는 3차원 그리드 데이터를 활용해 복잡한 다공성 물질의 특성을 인공지능이 학습하고 생성할 수 있도록 구조를 개발했다.
개발된 인공신경망 생성모델은 3차원 그리드로 이루어진 구조 정보와 흡착 물성 데이터를 같이 학습하게 되며, 학습 과정 안에서 흡착 물성을 빠르게 계산할 수 있다. 이를 통해 에너지 저장 소재의 특성을 효율적으로 학습할 수 있음을 증명했다.
또한, 연구팀은 인공지능 학습 과정에서 기존의 알려진 제올라이트 구조 중 일부를 제외해 학습시켰고, 그 결과 인공지능이 학습하지 않았던 구조들도 생성할 수 있음을 확인했다.
김지한 교수는“인공지능을 이용해 다공성 물질을 설계한 최초의 사례이다”라며 “기체 흡착 용도에 국한된 것이 아니라 다른 물성에도 쉽게 적용할 수 있어 촉매, 분리, 센서 등 다른 분야의 물질 개발에도 활용될 것으로 기대한다”라고 말했다.
이번 연구는 BK21, 한국연구재단 중견 연구자 지원 사업 그리고 에너지 클라우드 사업단의 지원을 받아 수행됐다.
□ 그림 설명
그림 1. 인공지능 기반 다공성 물질(제올라이트) 생성 개요도
2020.01.07 조회수 12755 -
김지한 교수, 컴퓨터 설계 기반 다공성 복합재료 합성
〈 김지한 교수 연구팀 〉
우리 대학 생명화학공학과 김지한 교수와 UNIST 화학과 문회리 교수 공동연구팀이 컴퓨터 설계를 기반으로 한 이론적 디자인을 통해 새로운 다공성 복합재료를 합성하는 데 성공했다.
이러한 복합물질은 각각의 특성을 동시에 가지면서 융합된 새로운 성질을 나타낼 수 있어 촉매, 기체 저장 및 분리, 센서, 약물 전달 등 다양한 분야에 응용할 수 있을 것으로 기대된다.
권오민 박사과정과 UNIST 김진영 박사가 공동 1 저자로 참여한 이번 연구결과는 국제 학술지 ‘네이처 커뮤니케이션즈(Nature communications)’ 8월 9일 자 온라인판에 게재됐다. (논문명 : Computer-aided discovery of connected metal-organic frameworks)
이번 연구에 사용한 금속 유기 구조체(Metal-Organic Framework, MOF)는 다양한 금속 이온 집합체와 유기 리간드로 구성된 화합물의 일종으로 나노 수준의 기공을 갖는 결정성 물질이다.
금속 유기 구조체는 각 구성요소의 다양성 덕분에 지난 20년간 8만여 개 이상의 구조들이 실험으로 합성됐다. 금속 유기 구조체는 표면적이 매우 넓고 기공의 물리-화학적 특성을 세밀하게 조절할 수 있어 기존의 제올라이트를 대체할 수 있는 차세대 다공성 물질이기도 하다.
최근 금속 유기 구조체를 다른 소재와 혼합해 기능을 다양화하거나, 한가지 물질의 단점을 다른 물질의 장점으로 보완함으로써 성능을 최적화하는 연구가 진행되고 있다.
그러나 기존의 합성된 금속 유기 구조체 복합재료들은 두 물질의 경계면에서 서로 어떻게 결합하는지에 대한 정확한 정보가 없고 그 형태가 무질서해 어떻게 만들어지는지에 대한 이해가 부족했다.
8만여 개의 금속 유기 구조체 중 표면에서 서로 결합할 수 있는 조합을 일일이 눈으로 찾아내는 것은 매우 시간이 오래 걸리기 때문에, 화학자의 직관만으로 새로운 이종 금속 유기 구조체 간 단결정 복합재료를 합성하기 위해서는 수많은 시행착오를 겪어야 했다.
따라서 8만여 개 이상의 금속 유기 구조체를 사용해 복합물질을 형성할 수 있는 경우의 수가 상당히 많음에도 불구하고 지금까지 합성된 복합재료의 수는 극히 일부로 제한됐다.
문제해결을 위해 공동연구팀은 미시적인 분자구조 정보를 활용해 먼저 합성 가능성이 큰 구조들을 선별한 뒤, 이를 실험적으로 합성함으로써 실제 새로운 복합물질을 개발하고 합성하는 시간을 획기적으로 단축했다.
김지한 교수가 이끈 시뮬레이션팀은 직접 개발한 컴퓨터 알고리즘을 활용해 기존에 발표된 8만여 개의 데이터로부터 특정 구조체의 결정면과 상호 연결될 수 있는 결정면을 가진 다양한 금속 유기 구조체 쌍들을 얻는 데 성공했다.
또한, 양자역학 시뮬레이션을 통해 두 금속 유기 구조체가 연결된 경계면이 가질 수 있는 안정적인 구조를 예측해냈다.
문회리 교수의 연구팀은 시뮬레이션 결과를 바탕으로 6종류의 새로운 금속 유기 구조체 복합재료를 성공적으로 합성함으로써 시뮬레이션으로 예측된 내용이 실험적으로 합성될 수 있음을 증명했다.
또한, 금속 유기 구조체 결정면 위에 다른 구조체가 하나의 구조로 자라나는 원리를 규명했고, 두 물질의 기공이 서로 연결돼 내부까지 분자가 자유롭게 이동할 수 있음을 확인했다.
이번 연구에서 성공한 서로 다른 두 금속 유기 구조체 간 경계면을 분자 수준에서 깨끗하게 하나의 구조로 연결하는 다공성 복합재료는 지금껏 없던 새로운 개념의 물질이다.
문회리 교수는 "실험과 컴퓨터 시뮬레이션의 협력 연구를 통해 그간 합성이 어려웠던 다기능 다공성 복합재료를 설계하고 합성할 수 있음을 보여줬다. 기존 신약개발에서 활용되던 연구 방식이 거대시스템인 다공성 재료에까지 확대된 성공적 사례이다”라고 말했다.
김지한 교수는“세계 최초로 나노 다공성 복합물질을 이론적으로 디자인해 합성까지 성공한 첫 사례라는 사실에 의미가 있다”라며 “새로운 복합재료 개발을 위해 필요한 시간과 비용을 획기적으로 줄일 수 있고, 적용 분야를 MOF-나노입자, MOF-제올라이트, MOF-고분자 복합재료로 쉽게 확장할 수 있다”라고 말했다.
이 연구 결과는 삼성전자 미래기술육성센터의 지원을 받아 수행됐다.
□ 그림 설명
그림1. 합성에 성공한 MOF 구조
2019.08.26 조회수 15325 -
김지한 교수, 다공성 물질 내 가스 흡착량 증진 가능성 제시
〈 김 지 한 교수, 정 상 규 석사과정 〉
우리 대학 생명화학공학과 김지한 교수 연구팀이 결함공학을 통한 다공성 물질의 가스 흡착량 증진법을 개발했다.
정상규 석사과정이 1저자, UC 버클리 화학과의 Günther Thiele 박사후 연구원이 2저자로 참여한 이번 연구는 국제 학술지 ‘네이쳐 커뮤니케이션즈(Nature Communications)’11월 16일차 온라인 판에 게재됐다.
금속-유기 구조체(metal-organic framework, 이하 MOF)는 금속 클러스터와 유기 리간드의 규칙적인 배위결합을 통해 합성되는 결정체이며, 넓은 표면적과 수많은 공극을 지닌 물질로서 다양한 에너지 및 환경 관련 소재로 각광받고 있다.
하지만 다른 결정성 물질들과 마찬가지로 실제 MOF는 완벽한 결정성을 가질 수 없으며 여러 종류의 결함을 가지게 된다.
이러한 결함들 중 결정체 내 유기 리간드가 불규칙적으로 본래 자리에 결합되지 않은 상태를 뜻하는 리간드 공공결함은 실험적인 기법들을 통해 공공결함의 밀도가 조절될 수 있다고 알려져 있다.
연구팀은 기존 제시된 리간드 공공결함의 조절을 통한 결함 공학 기법을 특정 MOF 내 고립된 공극의 존재여부와 접목시켜 결함공학을 통한 가스 흡착 증진 가능성을 제시했다.
김지한 교수가 직접 개발한 그래픽 프로세서(GPU) 소프트웨어 코드로 초고속 스크리닝 기법을 활용해 실험적으로 합성된 12,000 가량의 MOF들로 부터 메탄 가스에 대해 상당한 부피의 고립공극을 가지는 MOF들을 계산적으로 선별했다.
고립 공극의 판별 작업에는 안정적 에너지 구간에 대한 플러드-필(flood-fill) 알고리즘이 사용됐으며 이는 마이크로소프트 그림판에서 흔히 접할 수 있는 ‘색 채우기’ 기능과 동일한 알고리즘이다. 이를 통해 무한히 연결된 주 공극구조만 판별해내고 연결되지 않고 고립돼 존재하는 공극의 존재여부를 판단했다.
이후 많은 양의 고립공극이 파악된 MOF들에 대해 리간드 공공결함을 가상으로 결정 구조 내 도입했으며 리간드가 없어지면서 기존의 고립돼 존재하던 공극들이 주 공극구조와 합쳐지도록 유도했다.
이러한 스크리닝 작업을 통해 연구팀은 리간드 공공결함이 도입되었을 시 상당한 메탄 가스의 흡착량 증진을 겪을 수 있는 13개의 MOF를 최종적으로 선별했으며, 불과 8.33% 이하의 리간드 결함이 존재했을 시에도 최대 55.6% 의 메탄 가스 흡착량 증진을 가질 수 있다는 것을 확인했다.
본 연구팀이 제시한 리간드 공공결함을 통해 기존에 활용되지 못하던 고립 공극을 주 공극구조에 연결시켜 새로이 활용하는 기법은 단순한 가스 흡착량 증진 외에도 혼합 가스의 선택적 흡착, 반 영구적 가스 포획 등 다양한 효과를 가져올 수 있다.
이번 연구는 한국연구재단의 중견연구자지원사업의 지원을 받아 수행됐다.
□ 그림 설명
그림1. 본 연구에서 사용된 플러드-필 알고리즘을 설명하는 도해와 플러드-필 알고리즙을 통해 고립공극이 판별된 MOF의 예시
그림2. 본 연구에서 선별된 MOF 중 두 가지 MOF의 공공결함 도입 전과 후(좌, 우)의 흡착가능 공간 비교
2017.11.27 조회수 15173 -
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