GAN(Generative Adversarial Network)을 기반으로 했고, 기존의 복잡한 3차원 이미지 기반 물질 표현자의 단점을 해소하기 위해 비교적 간단한 원자들의 3차원 좌표를 기반으로 한 물질 표현자를 사용했다.

정유성 교수
정유성 교수

소재 연구의 궁극적인 목표는 원하는 물성을 갖는 소재를 발견하는 것이다. 그러나 무기화합물의 가능한 모든 조성과 결정구조를 고려할 때 무한대에 가까운 경우의 수를 샅샅이 탐색하기에는 쉽지 않다.

이러한 문제 해결을 위한 방안으로 컴퓨터 스크리닝 소재 탐색 방법이 널리 사용되고 있지만 찾고자 하는 소재가 스크리닝 후보군에 존재하지 않을 때는 유망한 물질 후보들을 놓치는 경우가 종종 발생한다.

KAIST(총장 신성철) 생명화학공학과 정유성 교수 연구팀(김성원·노주환 박사과정 연구원)이 AI 기술을 이용해 숨겨진 소재 공간을 탐색, 숨겨진 새로운 물질을 예측하는 기술을 개발하는 데 성공했다고 27일 밝혔다.

정유성 교수 연구팀이 개발한 소재 역설계(Materials Inverse Design) 방법은 데이터 학습을 통해 주어진 조성을 갖는 결정구조를 새롭게 생성하게 함으로써 기존 데이터베이스에는 존재하지 않던 신물질을 발견할 수 있도록 한다. 특히, 기존의 역설계 방법에서는 원하는 조성을 제어할 수 없었지만, 정 교수팀이 개발한 역설계 방법은 원하는 조성을 제어함으로써 숨어있는 화학 공간을 효율적으로 탐색해 물질을 설계할 수 있도록 한다.

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 있다.
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 있다.

이번 정 교수팀의 연구성과인 결정구조 예측기술은 인공지능 생성모델인 적대적 생성신경망(GAN, Generative Adversarial Network)을 기반으로 했고, 기존의 복잡한 3차원 이미지 기반 물질 표현자의 단점을 해소하기 위해 비교적 간단한 원자들의 3차원 좌표를 기반으로 한 물질 표현자를 사용했다.

정 교수팀은 이번 연구를 통해 개발한 소재 역설계 방법을 활용, 빛을 이용한 수소생산 촉매로 활용될 수 있는 마그네슘-망간-산화물 기반의 광촉매 물질의 결정구조를 예측하는 데도 성공했다. 기존 데이터베이스에 존재하지 않는 조성들을 생성조건으로 다양한 마그네슘-망간-산화물 구조를 생성한 결과, 기존에 알려지지 않았으면서 광촉매로서 전도유망한 특성을 갖는 신물질을 다수 발견했다.

정유성 교수는 "광촉매 물질의 설계에 적용한 이번 소재 설계 프레임워크는 화합물의 화학적 조성뿐 아니라 사용자가 원하는 특정 물성을 갖는 소재를 역설계하는데 적용이 가능하다ˮ면서 "여러 소재 응용 분야에서 활용될 수 있을 것으로 기대된다ˮ고 말했다.

한편,KAIST 생명화학공학과 김성원 박사과정과 노주환 박사과정이 공동 제1 저자로, 토론토 대학의 아스푸루-구지크(Aspuru-Guzik) 교수가 공동연구로 참여한 이 연구성과는 미국화학회(ACS)가 발행하는 국제학술지 `ACS 센트럴 사이언스(Central Science)'에 '결정 구조 예측을 위한 적대적 생성신경망(Generative Adversarial Networks for Crystal Structure Prediction- 다운)'이란 제목으로 지난 8월호에, 아카이브에는 지난 6월 23일 공개됐다.

 

저작권자 © 인공지능신문 무단전재 및 재배포 금지