요약
인공지능을 활용해 원하는 물성의 다공성 물질을 역설계하는 방법을 개발했습니다. 연구팀은 인공지능 기술과 분자 시뮬레이션 기술을 활용해 다공성 물질의 한 종류인 제올라이트 구조를 설계하는 방법을 개발했는데요. 개발된 인공신경망 생성모델은 학습 과정 안에서 흡착 물성을 빠르게 계산할 수 있었습니다.
인공지능을 활용해 원하는 물성의 다공성 물질을 역설계하는 방법을 개발했습니다. 김백준, 이상원 박사과정이 공동 1저자로 참여한 이번 연구 결과는 국제학술지 <Science Advances>에 게재됐습니다.
'다공성 물질' 개발을 위한 시도
다공성 물질은 넓은 표면적과 풍부한 내부 공극을 가지고 있어 촉매, 기체 저장 및 분리, 센서, 약물 전달 등 다양한 분야에서 활용되고 있습니다.
기존에는 이러한 다공성 물질을 개발하기 위해 반복적인 실험을 통한 시행착오를 거치며 시간과 비용이 많이 소모됐는데요. 이러한 낭비를 줄이기 위해 가상 구조를 스크리닝해 다공성 물질 개발을 가속화하려는 시도들이 있었습니다. 하지만 데이터베이스에 존재하지 않는 새로운 구조를 발견하지 못한다는 문제가 존재했습니다.
최근에는 인공지능 기반의 역설계로 원하는 물성을 가진 물질을 개발하는 연구가 주목받고 있습니다. 다만, 지금까지의 연구들은 단순한 소형 분자들 위주로 적용되고 있으며 복잡한 다공성 물질을 설계하는 연구는 보고되지 않았습니다.
인공지능 기술과 분자 시뮬레이션 기술 활용했다
KAIST 생명화학공학과 김지한 교수와 연구팀은 인공지능 기술과 분자 시뮬레이션 기술을 활용해 다공성 물질의 한 종류인 제올라이트 구조를 설계하는 방법을 개발했습니다.
- 제올라이트
대표적인 다공성 물질의 한 종류로 규소 산화물에 금속이 결합된 구조로 이뤄져 있습니다. 넓은 표면적을 이용해 가스 흡착, 촉매 분야에서 많은 연구가 이뤄진 물질이입니다. 하지만 지금까지 실험적으로 밝혀진 제올라이트 구조는 230여 구조에 불과합니다.
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 개발했습니다.
- 적대적 생성 신경망 (GAN)
적대적 생성 신경망(GAN, Generative Adversarial Network)은 대표적인 인공신경망 생성모델로 이름처럼 서로 대립하는(생성자과 판별자) 두 개의 인공신경망으로 이루어져 있습니다. 학습 과정에서는 두 인공신경망이 번갈아 학습되면서 서로의 성능을 개선합니다.
개발된 인공신경망 생성모델은 3차원 그리드로 이뤄진 구조 정보와 흡착 물성 데이터를 같이 학습하게 되며, 학습 과정 안에서 흡착 물성을 빠르게 계산할 수 있습니다. 이를 통해 에너지 저장 소재의 특성을 효율적으로 학습할 수 있음을 증명했습니다.
또한 연구팀은 인공지능 학습 과정에서 기존의 알려진 제올라이트 구조 중 일부를 제외해 학습시켰는데요. 그 결과 인공지능이 학습하지 않았던 구조들도 생성할 수 있다는 사실을 확인했습니다.
김지한 교수는 "인공지능을 이용해 다공성 물질을 설계한 최초의 사례이다"며 "기체 흡착 용도에 국한된 것이 아니라 다른 물성에도 쉽게 적용할 수 있어 촉매, 분리, 센서 등 다른 분야의 물질 개발에도 활용될 것으로 기대한다"고 말했습니다.
##참고자료##
