KAIST 김지한 교수 연구팀, GAN과 기존 분자 시뮬레이션에서 활용되는 3차원 그리드 데이터를 활용해 복잡한 다공성 물질의 특성을 AI가 학습하고 생성할 수 있도록 구조를 개발한 것

왼쪽부터 김지한 교수, 김백준, 이상원 박사과정(사진:KAIST)
왼쪽부터 김지한 교수, 김백준, 이상원 박사과정(사진:KAIST)

다공성 물질은 넓은 표면적과 풍부한 내부 공극을 가지고 있어 촉매, 기체 저장 및 분리, 센서, 약물 전달 등 다양한 분야에서 활용되는 물질이다.

지금까지 이런 다공성 물질을 개발하는 과정에서는 실험자들의 직관을 이용한 시행착오가 많이 필요했다.

따라서 이 과정에서 들이는 비용, 시간을 절약하기 위해 알고리즘을 이용하여 설계된 가상의 구조들을 스크리닝하는 연구들도 진행되었다. 하지만, 기존의 가상 구조 스크리닝 방법론에서는 제한된 규칙들 안에서 설계된 한정된 구조들만을 다루고 있었기 때문에 완전히 새로운 구조를 찾는 것은 불가능했다.

이러한 문제를 해결하는 방법으로, 인공지능을 이용한 물질 설계가 물질 개발 분야에서 크게 주목을 받고 있다.

그러나 지금까지 물질 개발 분야의 인공지능 연구들은 대부분 물성의 예측에 집중되어 있었고, 생성모델의 경우에도 작은 분자 단위 위주의 연구가 이루어졌다.

다공성 물질과 같이 큰 결정구조를 가지고, 복잡한 화학적 환경을 가지고 있는 물질을 설계하기 위해서는 새로운 표현자와 인공지능 모델을 필요로 한다.

이에 KAIST(총장 신성철) 생명화학공학과 김지한 교수 연구팀이 인공지능을 활용해 원하는 물성의 다공성 물질을 역설계하는 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 개발한 것이다.

인공지능 기반 다공성 물질(제올라이트) 생성 개요도
인공지능 기반 다공성 물질(제올라이트) 생성 개요도

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.

한편, 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- 논문보기)

저작권자 © 인공지능신문 무단전재 및 재배포 금지