- KAIST-창원대-UC 머세드, 화학의 기본 개념을 탑재한 소재 물성 인공지능 기술 ‘프로핏-넷(PROFiT-Net)’ 개발

- 기존 기술에 비해 오차를 최소 10%, 최대 40%로 줄일 수 있어 

- 차세대 기능성 소재 개발 속도 가속화에 기여할 것으로 기대

새로운 물질을 설계하거나 물질의 물성을 예측하는 데 인공지능을 활용하기도 한다. 한미 공동 연구진이 기본 인공지능 모델보다 발전되어 화학 개념 학습을 하고 소재 예측, 새로운 물질 설계, 물질의 물성 예측에 더 높은 정확도를 제공하는 인공지능을 개발하는 데 성공했다.

KAIST(총장 이광형)는 화학과 이억균 명예교수와 김형준 교수 공동 연구팀이 창원대학교 생물학화학융합학부 김원준 교수, 미국 UC 머세드(Merced) 응용수학과의 김창호 교수 연구팀과 공동연구를 통해, 새로운 인공지능(AI) 기술인 ‘프로핏-넷(이하 PROFiT-Net)’을 개발하는 데 성공했다고 9일 밝혔다. 

연구팀이 개발한 인공지능은 유전율, 밴드갭, 형성 에너지 등의 주요한 소재 물성 예측 정확도에 있어서 이번 기술은 기존 딥러닝 모델의 오차를 최소 10%, 최대 40% 줄일 수 있는 것으로 보여 주목받고 있다.

PROFiT-Net의 가장 큰 특징은 화학의 기본 개념을 학습해 예측 성능을 크게 높였다는 점이다. 최외각 전자 배치, 이온화 에너지, 전기 음성도와 같은 내용은 화학을 배울 때 가장 먼저 배우는 기본 개념 중 하나다. 

기존 AI 모델과 달리, PROFiT-Net은 이러한 기본 화학적 속성과 이들 간의 상호작용을 직접적으로 학습함으로써 더욱 정밀한 예측을 할 수 있다. 이는 특히 새로운 물질을 설계하거나 물질의 물성을 예측하는 데 있어 더 높은 정확도를 제공하며, 화학 및 소재 과학 분야에서 크게 기여할 것으로 기대된다.

김형준 교수는 "AI 기술이 기초 화학 개념을 바탕으로 한층 더 발전할 수 있다는 가능성을 보여주었다ˮ고 말했으며 “추후 반도체 소재나 기능성 소재 개발과 같은 다양한 응용 분야에서 AI가 중요한 도구로 자리 잡을 수 있는 발판을 마련했다ˮ고 말했다. 

이번 연구는 KAIST의 김세준 박사가 제1 저자로 참여하였고, 국제 학술지 `미국화학회지(Journal of the American Chemical Society)' 에 지난 9월 25일 字 게재됐다.

(논문명: PROFiT-Net: Property-networking deep learning model for materials, PROFiT-Net 링크: https://github.com/sejunkim6370/PROFiT-Net)

한편 이번 연구는 한국연구재단(NRF)의 나노·소재 기술개발(In-memory 컴퓨팅용 강유전체 개발을 위한 전주기 AI 기술)과 탑-티어 연구기관 간 협력 플랫폼 구축 및 공동연구 지원사업으로 진행됐다.

□ 용어 설명

1. 딥러닝

- 딥러닝은 인공지능(AI)의 한 분야로, 인간의 뇌가 정보를 처리하는 방식에서 영감을 받아 개발된 기술이다. 주로 인공신경망을 사용하여 데이터를 학습하고, 이를 바탕으로 패턴을 인식하거나 예측하는 능력을 갖춘다. 특히 복잡한 데이터를 처리하는 데 탁월한 성능을 발휘하며, 자율주행, 음성 인식, 신약 개발 등 다양한 분야에서 성공을 바탕으로 소재 분야에서도 딥러닝이 혁신적인 변화를 이끌고 있다.

2. 소재 AI 연구

- 소재 AI 연구는 인공지능 기술을 활용하여 새로운 재료를 개발하거나, 기존 재료의 특성을 분석하고 최적화하는 것을 목표로 하는 연구 분야이다. 기존의 소재 연구는 복잡한 실험과 계산을 요구하며 시간이 많이 소요되는 경우가 대부분이나, AI는 이러한 과정을 더욱 효율적으로 수행할 수 있도록 도와준다. 예를 들어, 신소재 개발에서는 AI를 통해 방대한 데이터를 분석하고, 새로운 물질의 특성을 예측하거나 최적의 조건을 찾는 데 활용되며, 반도체, 배터리, 에너지 저장장치 등 다양한 소재 연구 분야에서 혁신적인 성과를 이끌어낼 잠재력이 크다고 평가 받고 있다.

그림 1. 화학 기본 개념 (왼쪽)을 배운 AI가 다양한 소재 (오른쪽)의 물성을 예측하는 내용을 담은 모식도.

그림 2. PROFiT-Net 구조

그림 3. 다양한 소재 물성 예측에서의 다른 딥러닝 모델 대비 PROFiT-Net의 오차범위