 |
왼쪽부터 백서인 교수, 목동현 석·박통합과정생, 김종승 석사 과정생. |
이 연구결과는 넓은 화학 공간에서 원하는 물성의 소재를 탐색하는 데 필요한 시간과 비용을 획기적으로 감축시켜 다양한 분야의 신소재 개발에 기여할 것으로 기대된다.
기존에 개발된 소재의 안정성을 예측하는 인공지능 모델은 주어진 구조의 안정성을 매우 정확하게 예측할 수 있다. 하지만 최적화된 구조에 대해서만 높은 정확도를 보이며, 임의로 만든 구조의 안정성을 예측할 때는 정확성이 매우 떨어진다는 단점이 있었다.
백 교수연구팀은 이 문제를 해결하기 위해 임의로 생성된 구조(이하 초기 구조)와 가장 안정한 바닥 상태의 구조(이하 최적화 구조)간 구조적 유사점에 주목했다.
기존에 사용되던 원자간 거리 정보는 최적화 과정에서 크게 변하지만, 원자간 상대적인 방향 정보는 최적화 후에도 유지된다는 관찰을 바탕으로, 불연속적인 방향 정보를 사용해 구조를 결정 그래프로 변환했다.
이를 바탕으로 결정 그래프와 안정성을 입력값과 출력값으로 사용해 그래프 신경망에 학습시켜 D-CGCNN을 개발했다. D-CGCNN은 같은 목적으로 개발된 타 인공지능 모델보다 더 높은 정확도를 보였으며, 실제 사례에 적용한 결과 안정성 조건을 충족하는 신소재를 발견할 확률을 높일 수 있었다.
또한 백 교수연구팀은 최적화 전후 결정 표현법의 유사성과 모델의 성능 간의 관계를 밝히고 중간 정도의 유사성을 가지는 표현법이 초기 구조로부터 최적화 구조의 에너지를 예측하는데 이상적이라는 사실을 규명했다. 이와 같은 발견은 추후 더욱 정확한 인공지능 모델을 개발하는데 기반이 될 수 있다.
이번 연구 성과는 27일, 재료 화학 분야의 국제 저명 학술지인 Chemistry of Materials에 게재됐다.
[저작권자ⓒ 대학저널. 무단전재-재배포 금지]
