AI로 숨겨진 물질 발견하고 예측한다

KAIST 정유성 교수팀 개가...새 방법 '소재 역설계' 사용

KAIST(총장 신성철)는 인공지능(AI) 기술을 활용해 숨겨진 물질을 발견하고 예측하는 기술을 개발했다고 27일 밝혔다. 인공지능 생성모델인 GAN(생성적 대립 신경망, Generative Adversarial Network)을 기반으로 했다. 

소재 연구의 궁극적 목표는 원하는 물성(physical properties)을 갖는 소재를 발견하는 것이지만 무기화합물의 가능한 모든 조성과 결정 구조를 고려할 때 무한대에 가까운 경우의 수를 샅샅이 탐색하기는 쉽지 않다.

이런 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 생명화학공학과 정유성 교수 연구팀은 이를 해결하기 위한 방안으로 '소재 역설계(Materials Inverse Design, 주어진 구조에 대한 물성을 측정하는 방식의 반대 개념으로, 특정한 물성을 갖도록 소재의 구조를 역으로 찾아감)'라는 새로운 방법을 고안했다. 데이터 학습을 통해 주어진 조성을 갖는 결정 구조를 새롭게 생성, 기존 데이터베이스에는 존재하지 않던 신물질을 발견할 수 있게 한다.

(왼쪽부터) 정유성 KAIST 교수, 김성원 박사과정, 노주환 박사과정.

특히, 기존의 역설계 방법은 원하는 조성을 제어할 수 없지만, 정 교수팀이 개발한 역설계 방법은 원하는 조성을 제어, 숨어있는 화학 공간을 효율적으로 탐색해 물질을 설계할 수 있다고 KAIST는 설명했다.

이번 정 교수팀의 연구성과인 '결정구조 예측 기술'은 인공지능 생성모델인 GAN을 기반르로 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 활용해 빛을 이용한 수소생산 촉매로 활용할 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 역설계하는데도 적용이 가능하다"면서 "여러 소재 응용 분야에서 활용할 수 있을 것으로 기대한다"고 말했다.

KAIST 생명화학공학과 김성원 박사과정과 노주환 박사과정이 공동 제1 저자로, 토론토 대학 아스푸루-구지크(Aspuru-Guzik) 교수가 공동연구로 참여한 이번 연구성과는 미국화학회(ACS)가 발행하는 국제학술지 'ACS 센트럴 사이언스(Central Science)' 8월호에 실렸다. (논문명: Generative Adversarial Networks for Crystal Structure Prediction)

한편, 이번 연구는 과학기술정보통신부 산하 한국연구재단의 기초연구사업(중견연구) 지원을 받아 수행됐다.

개발된 조성-조건 기반 고체 결정구조 생성모델