인공지능으로 숨겨진 소재 탐색 기술 개발

-인공지능 활용 새로운 유망 수소생산 촉매 설계, ACS Central Science 게재-

우리학과의 정유성 교수 연구팀이 인공지능을 이용하여 숨겨진 소재공간을 탐색하여 발견되지 않은 새로운 물질을 예측하는 기술을 개발하였다.

원하는 물성을 갖는 소재를 발견하는 것은 소재화학의 궁극적인 목표이다. 현재까지의 소재 개발은 주로 화학적 직관과 실험적 시행착오를 통해 이루어져 왔다. 하지만, 무기화합물의 가능한 모든 조성과 결정 구조를 고려할 때 무한대에 가까운 경우의 수를 샅샅이 탐색하는 것은 매우 도전적인 과제이다. 최근 들어서는 급격하게 증대된 슈퍼컴퓨팅의 계산 속도와 시뮬레이션 소프트웨어의 발전으로 이전보다 훨씬 적은 시간 안에 방대한 소재 데이터베이스를 탐색하고 물질의 특성을 예측하여 소재 개발에 드는 많은 비용과 시간을 줄이는데 큰 도움을 주고 있다.

하지만, 현재의 컴퓨터 스크리닝 소재 탐색 방법의 가장 큰 단점은, 찾고자 하는 소재가 스크리닝 데이터베이스 내에 존재하지 않을 경우 유망한 물질후보들을 놓칠 수 밖에 없는 한계가 존재하였다. 이번에 정유성 교수 연구팀이 개발한 새로운 소재 설계 방법에서는, 머신이 기존의 데이터베이스를 학습함으로써 새로운 조성과 결정 구조를 갖는 신물질을 생성하게 하고, 이를 통해 기존의 데이터베이스에는 존재하지 않았던 신물질 발견에 대한 가능성을 크게 높였다.

본 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 다수 발견 할 수 있었다.

현재 광촉매 물질의 설계에 적용된 본 소재 설계 프레임워크는 화합물의 화학적 조성 뿐 아니라 사용자가 원하는 특정 물성을 갖는 소재를 역설계 하는데 적용 가능하므로, 다양한 소재 응용 분야에서 활용될 수 있을 것으로 기대된다.

KAIST 김성원 박사과정과 노주환 박사과정이 공동 1저자로, 토론토 대학의 Aspuru-Guzik교수가 공동연구로 참여한 이번 연구 결과는 ‘ACS Central Science’에 7월 10일 출판되었다. (논문명: Generative Adversarial Networks for Crystal Structure Prediction)
해당성과는 과학기술정보통신부 산하 한국연구재단의 기초연구사업(중견연구) 지원으로 이루어졌다.

□ 사진 설명
그림 1. 개발된 조성-조건 기반 고체 결정 구조 생성모델

무기화합물의 조성정보와 구조정보를 동시에 학습하는 생성모델을 구축하고, 기존의 소재 데이터베이스를 학습하여, 이를 바탕으로 제한되어있던 화학적 공간을 선택적으로 자유롭게 확장시켜 기존에는 발견할 수 없었던 숨겨진 유망한 신물질을 새롭게 발견할 수 있음.