[기계신문] 무기 소재의 합성 가능성을 예측하는 것은 최근 가속화된 소재 설계 연구를 실체화하기 위해 가장 중요하다.
합성 가능성이 충분히 고려되지 않은 소재 설계는 타당하지 않은 가상의 구조를 합성하기 위해 많은 불필요한 실험적 비용과 시간을 발생시키고, 이러한 문제가 실제로 현재 ‘합리적 소재 설계’의 가장 큰 취약점으로 생각되고 있다.
그러나 소재의 합성은 열역학적 안정성이나 전구체의 가용성, 실험 조건과 같은 복잡한 과정의 결과물이기 때문에 이를 정확하게 예측하기는 상당히 도전적인 과제이다.
실제로 스크리닝 방법을 포함한 현재의 모든 소재 설계 연구들은 발견한 소재 후보군의 합성 가능성을 전혀 고려하지 않거나, 또는 열역학적 형성 엔탈피만을 간단히 고려하여 합성 가능성을 평가하고 있다.
이러한 가운데, 최근 KAIST 생명화학공학과 정유성 교수 연구팀이 딥러닝을 활용해 소재의 합성 가능성을 높은 정확도로 예측하는 기술을 개발했다.
신소재 설계의 궁극적인 목표는 소재를 설계하고 그것을 실험적으로 합성하는 것이지만, 현실적으로는 새롭게 설계된 대부분의 소재가 실제 합성 단계에서 성공하지 못하고 버려지는 경우가 많다. 이는 불필요한 시간과 자원의 낭비를 초래한다.
소재의 합성 여부는 반응 조건, 열역학, 반응 속도, 소재 구조 등 다양한 요인에 의해서 결정되기 때문에, 소재의 합성 가능성을 예측하는 것은 매우 도전적인 과제로 여겨져 왔다.
이런 문제 해결을 위한 방안으로 간단한 열역학적 안정성만을 고려해 고체 소재의 합성 가능성을 추정하지만 정확도는 매우 떨어지는 편이다.
일례로 에너지적으로 안정된 물질이라 하더라도 합성이 안 되는 경우가 아주 빈번하고, 또 반대로 준안정 상태(metastable, 어떤 물질이 열역학적으로 안정된 ‘바닥 상태’가 아닌 상태)의 물질들도 합성되는 경우가 많기 때문이다. 따라서 합성 가능성에 대한 예측 정확도를 획기적으로 높일 수 있는 방법론의 개발이 시급한 과제로 여겨져 왔다.
정유성 교수 연구팀이 개발한 소재 합성 가능성 예측 기술은 기존 합성이 보고된 고체 소재들의 구조적 유사성을 그래프 합성 곱 신경망(GCN, Graph Convolutional Neural Network)으로 학습해 새로운 소재의 합성 가능성을 예측할 수 있다.
특히, 현재까지 합성이 안 된 물질이라 하더라도 합성이 성공할 가능성은 여전히 존재하기 때문에 참값(레이블)을 이미 알고 학습을 진행하는 일반적인 지도학습과는 달리 양의 레이블(+)을 가진 데이터와 레이블이 없는 데이터(Positive-Unlabeled, P-U)를 이용한 분류 모델 기반의 준 지도학습을 사용했다.
연구팀은 5만여 종에 달하는 이미 합성이 보고된 물질과 8만여 종의 가상 물질로 이뤄진 ‘머터리얼스 프로젝트(Materials Project, MP)’라는 소재 관련 데이터베이스를 이용해 모델을 구축했다. 이 신기술을 활용한 결과, 소재들의 합성 가능성을 약 87% 정확하게 예측할 수 있었다.
연구팀은 또 이미 합성된 소재들의 열역학적 특성을 분석한 결과, 열역학적 안정성만으로는 실제 소재의 합성 가능성을 예측할 수 없다는 사실도 알아냈다.
이와 함께 머터리얼스 프로젝트(MP) 데이터베이스 내에 합성 가능성 점수가 가장 높은 100개의 가상 물질에 대해 문헌조사를 실시한 결과, 이들 중 머터리얼스 프로젝트(MP) 데이터베이스에는 합성 여부가 아직 알려지지 않았지만, 실제로 합성돼 논문에 보고된 소재만도 71개에 달하는 것을 확인했으며 이를 통해 모델의 높은 정확도를 추가로 입증했다.
정유성 교수는 “빠른 신소재 발견을 위해 다양한 소재 설계 프레임워크가 존재하지만 정작 설계된 소재의 합성 가능성에 관한 판단은 전문가 직관의 영역으로 남아 있다”면서 “이번에 개발한 합성 가능성 예측 모델은 새로운 소재를 설계할 때 실제로 합성 가능성을 실험 전에 미리 판단할 수 있어 새로운 소재의 개발시간을 단축하는 데 큰 도움이 될 것”이라고 밝혔다.
KAIST 생명화학공학과 장지돈 박사과정과 구근호 박사후연구원이 공동 제1 저자로 참여한 이번 연구 결과는 미국화학회가 발행하는 국제학술지 ‘미국화학회지(Journal of the American Chemical Society)’ 온라인판에 10월 26일자 게재됐다.
한편, 이번 연구는 과학기술정보통신부 산하 한국연구재단의 기초연구사업(중견연구)과 미래소재 디스커버리 사업 지원을 받아 수행됐으며, 연구에 KISTI의 슈퍼컴퓨터를 활용했다.
기계신문, 기계산업 뉴스채널