계산과 머신러닝으로 연결되는 네 가지 방향
연구 분야
원자구조를 탐색하고, 작동 환경에서의 변화를 이해하며, 반응성과 소재 기능을 예측합니다.
그림 크게 보기 ↗원자간 상호작용의 학습과 예측에서 TiO₂ 표면 재구성 구조의 탐색까지 연결합니다.
능동학습을 통한 원자구조 탐색
머신러닝 원자 시뮬레이션
Machine-Learning Atomistic Simulation
가능한 원자구조는 매우 많고, 모든 구조를 정밀 계산으로 탐색하기에는 비용이 큽니다. 우리는 어떤 구조를 우선 계산하고 학습할 것인지에서 출발합니다.
제일원리 데이터에 기반한 머신러닝 원자간 포텐셜과 파운데이션 모델의 미세조정을 통해 복잡한 에너지 지형을 탐색합니다. 능동학습으로 새로운 원자 환경을 식별하고 필요한 계산을 선택하며, 학습과 시뮬레이션의 반복을 통해 구조 탐색의 범위와 원자 시뮬레이션의 규모를 확장합니다.
능동학습 · 파운데이션 포텐셜 · 미세조정 · 원자구조 탐색
그림 크게 보기 ↗TiO₂의 표면 재구성 관찰과 BiVO₄ 계면의 물 해리 시뮬레이션을 각각의 연구 사례로 보여줍니다.
작동 환경에서의 표면과 계면 탐색
동적 표면과 계면
Dynamic Surfaces & Interfaces
반응이 진행되는 표면은 이상적인 결정 표면과 다를 수 있습니다. 주변 환경에 따라 재구성되는 표면과 물·흡착종이 만나는 계면을 연구합니다.
머신러닝 포텐셜을 활용하여 가능한 표면 재구성 구조를 폭넓게 탐색하고, 제일원리 계산으로 구조와 안정성을 정밀하게 분석합니다. 이어 계면 시뮬레이션을 통해 배위 환경, 흡착 및 양성자 전달을 조사하여, 반응 조건에서 형성되는 구조와 계면 화학의 관계를 규명합니다.
머신러닝 기반 표면 탐색 · 제일원리 구조 분석 · 계면 동역학
그림 크게 보기 ↗속도론 모델, 원자 수준 계산과 실험 관측을 연결하여 촉매의 입자 성장과 열화를 분석합니다.
촉매 활성과 열화의 통합적 이해
촉매 활성과 안정성
Catalytic Activity & Stability
촉매는 높은 활성을 보이는 동시에 작동 중 구조를 유지해야 합니다. 반응을 촉진하는 활성점과 성능을 저하시키는 열화 과정을 함께 분석합니다.
제일원리 반응 메커니즘과 데이터 기반 모델을 연결하여 촉매 활성과 열화를 함께 연구합니다. 물리 기반 속도론, 원자 수준 계산 및 실험 관측을 결합한 혼합모델로 입자 성장을 예측하고 불확실성을 평가하며, 활성점과 용출 경로를 분석하여 촉매 수명을 결정하는 요인을 규명합니다.
물리·데이터 결합 모델 · 불확실성 평가 · 활성점 · 소결과 용출
그림 크게 보기 ↗텅스텐 브론즈의 원자구조·광학 응답과 VSe₂의 표면 산화·수소 발생을 연구 사례로 보여줍니다. 별도의 ML 패널은 문헌상의 물성 예측 방법입니다.
구조–물성 관계에 기반한 소재 설계
기능성 소재 설계
Functional Materials Design
조성과 원자 배열의 작은 변화도 소재의 기능을 바꿀 수 있습니다. 수많은 후보 중 유망한 소재를 찾고, 어떤 구조적 요인이 물성을 제어하는지 규명합니다.
머신러닝 물성 예측과 후보 소재 탐색을 제일원리 계산과 결합하여 조성·원자 배열과 기능 사이의 관계를 연구합니다. 전자·스핀·이온 수송 및 광학 응답을 대상으로 유망한 소재를 선별하고, 원자 수준의 설계 변수가 물성을 제어하는 원리를 분석합니다.
머신러닝 물성 예측 · 후보 소재 탐색 · 구조–물성 관계
연구 참여
학부연구생 및
대학원 진학 안내
대학원 진학에 관심 있는 학생을 환영합니다. 코딩·계산화학 경험이 없어도 문의하실 수 있습니다.