서강대학교(총장 심종혁) 화공생명공학과 백서인 교수 연구팀이 이화여자대학교(총장 김은미) 화공신소재공학과 나종걸 교수 공동연구팀이 초기 결정 구조로부터 안정한 바닥 상태의 에너지를 예측하는 인공지능 모델 ESNet(Electronic Structure Network)을 개발했다.

초고속 대용량 가상탐색 (high-throughput virtual screening)이란 신소재 발견을 위해 임의로 수많은 결정 구조를 생성시킨 후 이를 탐색하며 원하는 물성을 충족하는 결정을 빠르게 찾아내는 방법이다. 효율적인 탐색을 위해서는 이 과정에서 생성된 결정 구조의 물성에 대한 빠르고 정확한 평가가 꼭 필요하다.

인공지능 모델은 결정 구조의 물성을 1초 이내로 예측할 수 있어, 결정 구조의 물성을 계산하는데 장시간이 소요되는 전자밀도 함수이론 (Density Functional Theory) 계산을 인공지능 모델로 대체하여 탐색 시간을 단축하고자 하는 시도가 최근 활발하게 이루어지고 있다.

그러나, 기존의 AI 모델은 결정 구조 표현법의 구조 민감도가 지나치게 높아 주어진 결정 구조 그대로의 물성만 예측할 수 있거나, 민감도가 낮아 다형체의 구조적 차이를 구별할 수 없다.

따라서 임의로 생성된 결정 구조 (이하 초기 구조)만으로 결정 구조가 바닥 상태일 때 갖는 물성을 예측하는 것에는 성능이 매우 떨어진다는 문제가 있다. 결국, 바닥 상태의 결정 구조를 얻는 추가적인 구조 최적화 과정을 필요로 하기 때문에, 소재 개발을 위한 고속 탐색이 어렵다는 한계점을 지닌다.

연구팀은 이러한 한계를 극복할 수 있는 결정 구조 표현법으로 상태밀도 (density of states)를 제안했다. 상태밀도는 결정 구조마다 서로 다른 값을 보이며, 구조 최적화 전, 후로 구조 정보가 크게 달라지지 않아 적절한 구조 민감도를 보인다. 이를 토대로, 초기 구조의 상태밀도로부터 바닥 상태의 에너지를 예측할 수 있는 인공지능 모델인 ESNet을 개발한 것이다.

ESNet은 컨볼루션 신경망 (CNN, convolutional neural network)에 셀프 어텐션 (self-attention) 모듈을 적용하여 중요한 정보를 포착하여 집중적으로 학습할 수 있도록 하였으며, 상태밀도를 오비탈과 스핀 상태별로 나누어 학습하고 이를 통합하는 도메인 지식 (domain knowledge)에 기반한 구조를 갖는다. 따라서, 구조 최적화 과정 없이, 초기 구조의 상태밀도로부터 안정한 결정 구조에 대한 정보를 효율적으로 추출해낼 수 있도록 했다.

ESNet은 동일한 목적으로 개발된 타 인공지능 모델보다 뛰어난 예측 정확도를 보이며, 실제로 기존 대비 18%만의 계산으로 열역학적으로 안정한 물질을 탐색해낼 수 있음을 확인하였다. 본 연구는 인공지능과 화학 시뮬레이션을 접목해 실험 없이 최적의 소재를 만들어낼 수 있는 원천기술을 개발하였다는 의미가 있다.

한편, 서강대학교(목동현 학생 (공동 1저자), 백서인 교수 (교신저자))와 이화여자대학교(신다은 학생 (공동 1저자), 나종걸 교수 (교신저자)의 이번 공동연구 성과는 재료설계 분야의 국제 학술지인 재료화학저널A(Journal of Materials Chemistry A)에 ‘전자 구조 표현을 사용한 화학적으로 영감을 받은 컨볼루션 신경망(Chemically Inspired Convolutional Neural Network using Electronic Structure Representation-다운)’란 제목으로 최근 게재되었다.