서강대학교 화공생명공학과 백서인 교수 연구팀은 신소재의 안정성을 빠르고 정확하게 예측하는 인공지능 모델 ‘D-CGCNN(Direction-based Crystal Graph Covolutional Neural Network)’을 개발하였다.
이번 연구는 C1가스 리파이너리 사업, 대학중점연구소지원사업, KISTI 슈퍼컴퓨팅센터의 지원으로 수행되었으며 지난 27일 재료 화학 분야의 국제 저명 학술지인 ‘Chemistry of Materials’에 게재되었다.
기존에 개발된 소재의 안정성을 예측하는 인공지능 모델은 주어진 구조의 안정성을 매우 정확하게 예측할 수 있다. 하지만 이러한 모델들은 최적화된 구조에 대해서만 높은 정확도를 보이며, 임의로 만든 구조의 안정성을 예측할 때는 정확성이 매우 떨어진다는 단점이 있다.
수많은 물질의 특성을 평가해 신소재를 탐색해야 하는 연구 특성상, 모든 물질의 구조를 최적화해 안정성을 판단하기에는 많은 시간과 비용이 소모되기 때문에 최적화되지 않은 구조의 안정성을 단시간 내에 정확하게 예측하는 기술은 매우 중요하다. 서강대 화공생명공학과 백서인 교수 연구팀은 이 문제를 해결하기 위해 임의로 생성된 구조와 가장 안정한 바닥 상태의 구조간 유사점에 주목하였다.
기존에 사용되던 원자간 거리 정보는 최적화 과정에서 크게 변하지만, 원자간 상대적인 방향 정보는 최적화 후에도 유지된다는 관찰을 바탕으로, 불연속적인 방향 정보를 사용하여 구조를 결정 그래프로 변환하였다. 이를 바탕으로 연구팀은 결정 그래프와 안정성을 입력값, 출력값으로 사용하여 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 있다.
연구팀은 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.
전통적인 소재 탐색 전략인 정방향 소재 설계는 소재 선택에 있어 연구자의 직관에 의존하며 많은 시간과 비용이 소모되는 구조 최적화 시뮬레이션을 거쳐야 소재의 물성을 확인할 수 있다. 따라서 원하는 물성의 소재를 찾기 위해선 시행착오를 반복해야 한다. 하지만 역방향 소재 설계 전략은 목표 물성값을 만족하는 소재를 찾아내는 전략으로, 인공지능 모델을 활용해 높은 비용 소모 없이 빠르게 후보물질을 찾을 수 있다.
화공생명공학과 백서인 교수는 “본 연구에서 개발한 D-CGCNN은 구조 최적화 시뮬레이션 없이 초기 구조로부터 물성을 예측할 수 있다. 이는 넓은 화학 공간에서 원하는 물성의 소재를 탐색하는 데 필요한 시간과 비용을 획기적으로 감축시켜 다양한 분야의 신소재 개발에 기여할 것”이라고 기대감을 드러냈다.
