화공생명공학과 목동현 연구원(지도교수 백서인),

인공지능을 활용한 신소재 안정성 예측 모델 개발

화공생명공학과 백서인 교수 연구팀이 임의로 만든 새로운 소재의 안정성을 빠르고 정확하게 예측하는 인공지능 모델 D-CGCNN(Direction-based Crystal Graph Covolutional Neural Network)을 개발하였다.

이번 연구 성과는 C1가스 리파이너리 사업, 대학중점연구소지원사업, KISTI 슈퍼컴퓨팅센터의 지원을 통해 수행되었으며, 재료 화학 분야의 국제 저명 학술지인 Chemistry of Materials에 12월 27일 자로 게재되었다.

기존 인공지능 모델은 주어진 구조의 안정성을 매우 정확하게 예측할 수 있다. 최적화된 구조를 이용할 때 이러한 모델들은 잘 작동하지만, 임의의 구조를 이용할 때는 정확성이 매우 떨어진다. 하지만 다양한 임의의 구조에서 신소재를 탐색해야하는 연구 특성상, 최적화되지 않은 구조의 안정성을 단시간 내에 정확하게 예측하는 기술이 매우 중요하다. 백서인 교수 연구팀은 이 문제를 해결하기 위해 임의로 생성된 구조(이하 초기 구조)와 가장 안정한 바닥 상태의 구조(이하 최적화 구조) 간 구조적 유사점에 주목하였다.

기존에 사용되던 원자간 거리 정보는 최적화 과정에서 크게 변하지만, 원자간 상대적인 방향 정보는 최적화 후에도 유지된다는 관찰을 바탕으로, 불연속적인 방향 정보를 사용하여 구조를 결정 그래프(Crystal Graph)로 변환하였다. 결정 그래프와 안정성을 입력값, 출력값으로 사용하여 그래프 신경망(Graph Neural Network)에 학습시켜 D-CGCNN을 개발하였다. D-CGCNN은 같은 목적으로 개발된 타 인공지능 모델보다 더 높은 정확도를 보였으며, 실제 사례에 적용한 결과 안정성 조건을 만족하는 신소재를 발견할 확률을 높일 수 있었다.

▲ (위) 불연속적인 방향 정보를 표현하는 생성 모식도

(아래) 결정 구조 표현법의 구조 민감도와 인공지능 모델 정확도 - 구조 민감도가 작을수록 최적화 전후 구조 유사성이 커지며, 중간 정도의 구조 민감도를 가질 때 가장 예측 오차가 적다.

또한, 연구팀은 최적화 전후, 결정 표현법의 유사성과 모델의 성능 간의 관계를 밝히고 중간 정도의 유사성을 가지는 표현법이 초기 구조로부터 최적화 구조의 에너지를 예측하는데 이상적이라는 사실을 규명하였다. 이와 같은 발견은 추후 더욱 정확한 인공지능 모델을 개발하는데 기반이 될 수 있다.

전통적인 소재 탐색 전략인 정방향 소재 설계는 소재 선택에 있어 연구자의 직관에 의존하며 많은 시간과 비용이 소모되는 구조 최적화 시뮬레이션을 거쳐야 소재의 물성을 확인할 수 있다. 따라서 원하는 물성의 소재를 찾기 위해선 시행착오를 반복해야 한다. 하지만 역방향 소재 설계 전략은 목표 물성 값을 만족하는 소재를 찾아내는 전략으로, 인공지능 모델을 활용하여 높은 비용 소모 없이 빠르게 후보물질을 찾을 수 있다. 

본 연구에서 개발한 D-CGCNN은 구조 최적화 시뮬레이션 없이 초기 구조로부터 물성을 예측할 수 있어, 넓은 화학 공간에서 원하는 물성의 소재를 탐색하는 데 필요한 시간과 비용을 획기적으로 감축시켜 다양한 분야의 신소재 개발에 기여할 것으로 예상된다.

▲ (위) 정방향 소재 설계법 모식도 - 원하는 물성을 가지는 소재를 찾을 때까지 시뮬레이션을 반복하는 시행착오를 겪어야 하기에 높은 비용이 소모되고 비효율적이다

(아래) 역방향 소재 설계법 모식도 - 인공지능 모델을 통해 원하는 물성을 가지는 소재를 생성할 수 있어 소모되는 비용이 적고 효율적이다

연구실  홈페이지: https://www.seoinback.com/

논문 링크: https://pubs.acs.org/doi/full/10.1021/acs.chemmater.2c02498