- 수 나노미터 크기 백금 나노입자 촉매 안정성 계산하는 BE-CGCNN 모델 개발 - 다양한 금속 나노입자에 적용 가능해 신소재 촉매 개발에 활용 기대 수소 자동차에 주로 사용되는 양성자 교환막 연료전지(PEMFC)에는 백금(Pt)계 촉매가 주로 사용된다. 촉매의 성능은 연료전지의 수명과 직결되기 때문에 백금 촉매의 성능, 특히 안정성을 높이는 연구가 필수적이다. ‘표면 푸베이 도표’를 이용하면 실제 작동환경에서 촉매 물질의 표면 구조와 안정성을 예측할 수 있다. 표면 푸베이 도표는 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산으로 구할 수 있지만, 수 나노미터 크기의 나노입자 구조를 가진 백금 촉매의 경우 수천 시간이 소요된다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 한상수 박사, 김동훈 박사와 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 수 나노미터 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 빠르고 정확하게 구성할 수 있는 새로운 AI 기술을 개발했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 결합 임베딩-결정 그래프 합성곱 신경망(BE-CGCNN) 모델을 개발했다. 이 모델은 기존의 결정 그래프 합성곱 신경망(CGCNN) 모델에 원자 간 결합 종류를 고려하는 결합 임베딩(Bond-embedding) 기술을 도입한 것이다. BE-CGCNN 모델을 이용하면 백금 나노입자의 표면에 존재하는 흡착물의 흡착 에너지를 밀도범함수이론에 따른 계산 대비 0.1 eV 오차 수준으로 예측해 표면 푸베이 도표를 정확하게 구성할 수 있다. 기존 CGCNN 모델과 비교해서는 최대 85.7%만큼 오차가 감소했다. 실제 PEMFC에 사용되는 약 5 nm 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 계산하는 데 걸린 시간은 불과 약 70초였다. 기존 밀도범함수이론을 사용하면 1년 이상의 시간이 걸리던 계산이다. KIST 한상수 박사는 “백금뿐만 아니라 다양한 금속 및 합금 나노입자의 안정성을 예측하는데 BE-CGCNN 모델을 적용할 수 있어 긴 수명을 가지는 신소재 촉매 개발에도 활용이 가능할 것”이라고 기대했다. 김동훈 박사는 “향후 본 기술을 활용해 높은 안정성을 보유한 신소재 나노입자 촉매를 개발하면 연료전지의 수명이 획기적으로 연장된다. 백금 이외의 다양한 소재에 적용할 수 있도록 모델 학습용 데이터를 확보하고, 딥러닝 모델을 확장할 예정”이라고 말했다. 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03)으로 수행된 이번 연구 성과는 국제 학술지 「Nature Communications」에 5월 25일 온라인 게재*되었다. * Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles [그림 1] 실제 크기 나노입자의 표면 푸베이 도표 예측 및 DFT와의 계산시간 비 [그림 2] BE-CGCNN 모델의 개념도 [그림 3] BE-CGCNN 흡착에너지 예측 결과 및 나노입자 구조에 따른 표면 푸베이 도표 비교 ○ 논문명 : Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles ○ 학술지: Nature Communications ○ 게재일: 2023. 5. 25. (온라인) ○ DOI: https://doi.org/10.1038/s41467-023-38758-1 ○ 논문저자 - 방기훈 박사후 연구원(제1저자/KIST 계산과학연구센터), - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터), - 한상수 책임연구원(교신저자/KIST 계산과학연구센터), - 이혁모 교수(교신저자/KAIST )

- 수 나노미터 크기 백금 나노입자 촉매 안정성 계산하는 BE-CGCNN 모델 개발 - 다양한 금속 나노입자에 적용 가능해 신소재 촉매 개발에 활용 기대 수소 자동차에 주로 사용되는 양성자 교환막 연료전지(PEMFC)에는 백금(Pt)계 촉매가 주로 사용된다. 촉매의 성능은 연료전지의 수명과 직결되기 때문에 백금 촉매의 성능, 특히 안정성을 높이는 연구가 필수적이다. ‘표면 푸베이 도표’를 이용하면 실제 작동환경에서 촉매 물질의 표면 구조와 안정성을 예측할 수 있다. 표면 푸베이 도표는 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산으로 구할 수 있지만, 수 나노미터 크기의 나노입자 구조를 가진 백금 촉매의 경우 수천 시간이 소요된다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 한상수 박사, 김동훈 박사와 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 수 나노미터 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 빠르고 정확하게 구성할 수 있는 새로운 AI 기술을 개발했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 결합 임베딩-결정 그래프 합성곱 신경망(BE-CGCNN) 모델을 개발했다. 이 모델은 기존의 결정 그래프 합성곱 신경망(CGCNN) 모델에 원자 간 결합 종류를 고려하는 결합 임베딩(Bond-embedding) 기술을 도입한 것이다. BE-CGCNN 모델을 이용하면 백금 나노입자의 표면에 존재하는 흡착물의 흡착 에너지를 밀도범함수이론에 따른 계산 대비 0.1 eV 오차 수준으로 예측해 표면 푸베이 도표를 정확하게 구성할 수 있다. 기존 CGCNN 모델과 비교해서는 최대 85.7%만큼 오차가 감소했다. 실제 PEMFC에 사용되는 약 5 nm 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 계산하는 데 걸린 시간은 불과 약 70초였다. 기존 밀도범함수이론을 사용하면 1년 이상의 시간이 걸리던 계산이다. KIST 한상수 박사는 “백금뿐만 아니라 다양한 금속 및 합금 나노입자의 안정성을 예측하는데 BE-CGCNN 모델을 적용할 수 있어 긴 수명을 가지는 신소재 촉매 개발에도 활용이 가능할 것”이라고 기대했다. 김동훈 박사는 “향후 본 기술을 활용해 높은 안정성을 보유한 신소재 나노입자 촉매를 개발하면 연료전지의 수명이 획기적으로 연장된다. 백금 이외의 다양한 소재에 적용할 수 있도록 모델 학습용 데이터를 확보하고, 딥러닝 모델을 확장할 예정”이라고 말했다. 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03)으로 수행된 이번 연구 성과는 국제 학술지 「Nature Communications」에 5월 25일 온라인 게재*되었다. * Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles [그림 1] 실제 크기 나노입자의 표면 푸베이 도표 예측 및 DFT와의 계산시간 비 [그림 2] BE-CGCNN 모델의 개념도 [그림 3] BE-CGCNN 흡착에너지 예측 결과 및 나노입자 구조에 따른 표면 푸베이 도표 비교 ○ 논문명 : Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles ○ 학술지: Nature Communications ○ 게재일: 2023. 5. 25. (온라인) ○ DOI: https://doi.org/10.1038/s41467-023-38758-1 ○ 논문저자 - 방기훈 박사후 연구원(제1저자/KIST 계산과학연구센터), - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터), - 한상수 책임연구원(교신저자/KIST 계산과학연구센터), - 이혁모 교수(교신저자/KAIST )

- 수 나노미터 크기 백금 나노입자 촉매 안정성 계산하는 BE-CGCNN 모델 개발 - 다양한 금속 나노입자에 적용 가능해 신소재 촉매 개발에 활용 기대 수소 자동차에 주로 사용되는 양성자 교환막 연료전지(PEMFC)에는 백금(Pt)계 촉매가 주로 사용된다. 촉매의 성능은 연료전지의 수명과 직결되기 때문에 백금 촉매의 성능, 특히 안정성을 높이는 연구가 필수적이다. ‘표면 푸베이 도표’를 이용하면 실제 작동환경에서 촉매 물질의 표면 구조와 안정성을 예측할 수 있다. 표면 푸베이 도표는 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산으로 구할 수 있지만, 수 나노미터 크기의 나노입자 구조를 가진 백금 촉매의 경우 수천 시간이 소요된다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 한상수 박사, 김동훈 박사와 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 수 나노미터 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 빠르고 정확하게 구성할 수 있는 새로운 AI 기술을 개발했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 결합 임베딩-결정 그래프 합성곱 신경망(BE-CGCNN) 모델을 개발했다. 이 모델은 기존의 결정 그래프 합성곱 신경망(CGCNN) 모델에 원자 간 결합 종류를 고려하는 결합 임베딩(Bond-embedding) 기술을 도입한 것이다. BE-CGCNN 모델을 이용하면 백금 나노입자의 표면에 존재하는 흡착물의 흡착 에너지를 밀도범함수이론에 따른 계산 대비 0.1 eV 오차 수준으로 예측해 표면 푸베이 도표를 정확하게 구성할 수 있다. 기존 CGCNN 모델과 비교해서는 최대 85.7%만큼 오차가 감소했다. 실제 PEMFC에 사용되는 약 5 nm 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 계산하는 데 걸린 시간은 불과 약 70초였다. 기존 밀도범함수이론을 사용하면 1년 이상의 시간이 걸리던 계산이다. KIST 한상수 박사는 “백금뿐만 아니라 다양한 금속 및 합금 나노입자의 안정성을 예측하는데 BE-CGCNN 모델을 적용할 수 있어 긴 수명을 가지는 신소재 촉매 개발에도 활용이 가능할 것”이라고 기대했다. 김동훈 박사는 “향후 본 기술을 활용해 높은 안정성을 보유한 신소재 나노입자 촉매를 개발하면 연료전지의 수명이 획기적으로 연장된다. 백금 이외의 다양한 소재에 적용할 수 있도록 모델 학습용 데이터를 확보하고, 딥러닝 모델을 확장할 예정”이라고 말했다. 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03)으로 수행된 이번 연구 성과는 국제 학술지 「Nature Communications」에 5월 25일 온라인 게재*되었다. * Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles [그림 1] 실제 크기 나노입자의 표면 푸베이 도표 예측 및 DFT와의 계산시간 비 [그림 2] BE-CGCNN 모델의 개념도 [그림 3] BE-CGCNN 흡착에너지 예측 결과 및 나노입자 구조에 따른 표면 푸베이 도표 비교 ○ 논문명 : Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles ○ 학술지: Nature Communications ○ 게재일: 2023. 5. 25. (온라인) ○ DOI: https://doi.org/10.1038/s41467-023-38758-1 ○ 논문저자 - 방기훈 박사후 연구원(제1저자/KIST 계산과학연구센터), - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터), - 한상수 책임연구원(교신저자/KIST 계산과학연구센터), - 이혁모 교수(교신저자/KAIST )

- 수 나노미터 크기 백금 나노입자 촉매 안정성 계산하는 BE-CGCNN 모델 개발 - 다양한 금속 나노입자에 적용 가능해 신소재 촉매 개발에 활용 기대 수소 자동차에 주로 사용되는 양성자 교환막 연료전지(PEMFC)에는 백금(Pt)계 촉매가 주로 사용된다. 촉매의 성능은 연료전지의 수명과 직결되기 때문에 백금 촉매의 성능, 특히 안정성을 높이는 연구가 필수적이다. ‘표면 푸베이 도표’를 이용하면 실제 작동환경에서 촉매 물질의 표면 구조와 안정성을 예측할 수 있다. 표면 푸베이 도표는 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산으로 구할 수 있지만, 수 나노미터 크기의 나노입자 구조를 가진 백금 촉매의 경우 수천 시간이 소요된다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 한상수 박사, 김동훈 박사와 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 수 나노미터 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 빠르고 정확하게 구성할 수 있는 새로운 AI 기술을 개발했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 결합 임베딩-결정 그래프 합성곱 신경망(BE-CGCNN) 모델을 개발했다. 이 모델은 기존의 결정 그래프 합성곱 신경망(CGCNN) 모델에 원자 간 결합 종류를 고려하는 결합 임베딩(Bond-embedding) 기술을 도입한 것이다. BE-CGCNN 모델을 이용하면 백금 나노입자의 표면에 존재하는 흡착물의 흡착 에너지를 밀도범함수이론에 따른 계산 대비 0.1 eV 오차 수준으로 예측해 표면 푸베이 도표를 정확하게 구성할 수 있다. 기존 CGCNN 모델과 비교해서는 최대 85.7%만큼 오차가 감소했다. 실제 PEMFC에 사용되는 약 5 nm 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 계산하는 데 걸린 시간은 불과 약 70초였다. 기존 밀도범함수이론을 사용하면 1년 이상의 시간이 걸리던 계산이다. KIST 한상수 박사는 “백금뿐만 아니라 다양한 금속 및 합금 나노입자의 안정성을 예측하는데 BE-CGCNN 모델을 적용할 수 있어 긴 수명을 가지는 신소재 촉매 개발에도 활용이 가능할 것”이라고 기대했다. 김동훈 박사는 “향후 본 기술을 활용해 높은 안정성을 보유한 신소재 나노입자 촉매를 개발하면 연료전지의 수명이 획기적으로 연장된다. 백금 이외의 다양한 소재에 적용할 수 있도록 모델 학습용 데이터를 확보하고, 딥러닝 모델을 확장할 예정”이라고 말했다. 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03)으로 수행된 이번 연구 성과는 국제 학술지 「Nature Communications」에 5월 25일 온라인 게재*되었다. * Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles [그림 1] 실제 크기 나노입자의 표면 푸베이 도표 예측 및 DFT와의 계산시간 비 [그림 2] BE-CGCNN 모델의 개념도 [그림 3] BE-CGCNN 흡착에너지 예측 결과 및 나노입자 구조에 따른 표면 푸베이 도표 비교 ○ 논문명 : Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles ○ 학술지: Nature Communications ○ 게재일: 2023. 5. 25. (온라인) ○ DOI: https://doi.org/10.1038/s41467-023-38758-1 ○ 논문저자 - 방기훈 박사후 연구원(제1저자/KIST 계산과학연구센터), - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터), - 한상수 책임연구원(교신저자/KIST 계산과학연구센터), - 이혁모 교수(교신저자/KAIST )

- 수 나노미터 크기 백금 나노입자 촉매 안정성 계산하는 BE-CGCNN 모델 개발 - 다양한 금속 나노입자에 적용 가능해 신소재 촉매 개발에 활용 기대 수소 자동차에 주로 사용되는 양성자 교환막 연료전지(PEMFC)에는 백금(Pt)계 촉매가 주로 사용된다. 촉매의 성능은 연료전지의 수명과 직결되기 때문에 백금 촉매의 성능, 특히 안정성을 높이는 연구가 필수적이다. ‘표면 푸베이 도표’를 이용하면 실제 작동환경에서 촉매 물질의 표면 구조와 안정성을 예측할 수 있다. 표면 푸베이 도표는 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산으로 구할 수 있지만, 수 나노미터 크기의 나노입자 구조를 가진 백금 촉매의 경우 수천 시간이 소요된다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 한상수 박사, 김동훈 박사와 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 수 나노미터 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 빠르고 정확하게 구성할 수 있는 새로운 AI 기술을 개발했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 결합 임베딩-결정 그래프 합성곱 신경망(BE-CGCNN) 모델을 개발했다. 이 모델은 기존의 결정 그래프 합성곱 신경망(CGCNN) 모델에 원자 간 결합 종류를 고려하는 결합 임베딩(Bond-embedding) 기술을 도입한 것이다. BE-CGCNN 모델을 이용하면 백금 나노입자의 표면에 존재하는 흡착물의 흡착 에너지를 밀도범함수이론에 따른 계산 대비 0.1 eV 오차 수준으로 예측해 표면 푸베이 도표를 정확하게 구성할 수 있다. 기존 CGCNN 모델과 비교해서는 최대 85.7%만큼 오차가 감소했다. 실제 PEMFC에 사용되는 약 5 nm 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 계산하는 데 걸린 시간은 불과 약 70초였다. 기존 밀도범함수이론을 사용하면 1년 이상의 시간이 걸리던 계산이다. KIST 한상수 박사는 “백금뿐만 아니라 다양한 금속 및 합금 나노입자의 안정성을 예측하는데 BE-CGCNN 모델을 적용할 수 있어 긴 수명을 가지는 신소재 촉매 개발에도 활용이 가능할 것”이라고 기대했다. 김동훈 박사는 “향후 본 기술을 활용해 높은 안정성을 보유한 신소재 나노입자 촉매를 개발하면 연료전지의 수명이 획기적으로 연장된다. 백금 이외의 다양한 소재에 적용할 수 있도록 모델 학습용 데이터를 확보하고, 딥러닝 모델을 확장할 예정”이라고 말했다. 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03)으로 수행된 이번 연구 성과는 국제 학술지 「Nature Communications」에 5월 25일 온라인 게재*되었다. * Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles [그림 1] 실제 크기 나노입자의 표면 푸베이 도표 예측 및 DFT와의 계산시간 비 [그림 2] BE-CGCNN 모델의 개념도 [그림 3] BE-CGCNN 흡착에너지 예측 결과 및 나노입자 구조에 따른 표면 푸베이 도표 비교 ○ 논문명 : Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles ○ 학술지: Nature Communications ○ 게재일: 2023. 5. 25. (온라인) ○ DOI: https://doi.org/10.1038/s41467-023-38758-1 ○ 논문저자 - 방기훈 박사후 연구원(제1저자/KIST 계산과학연구센터), - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터), - 한상수 책임연구원(교신저자/KIST 계산과학연구센터), - 이혁모 교수(교신저자/KAIST )

- 수 나노미터 크기 백금 나노입자 촉매 안정성 계산하는 BE-CGCNN 모델 개발 - 다양한 금속 나노입자에 적용 가능해 신소재 촉매 개발에 활용 기대 수소 자동차에 주로 사용되는 양성자 교환막 연료전지(PEMFC)에는 백금(Pt)계 촉매가 주로 사용된다. 촉매의 성능은 연료전지의 수명과 직결되기 때문에 백금 촉매의 성능, 특히 안정성을 높이는 연구가 필수적이다. ‘표면 푸베이 도표’를 이용하면 실제 작동환경에서 촉매 물질의 표면 구조와 안정성을 예측할 수 있다. 표면 푸베이 도표는 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산으로 구할 수 있지만, 수 나노미터 크기의 나노입자 구조를 가진 백금 촉매의 경우 수천 시간이 소요된다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 한상수 박사, 김동훈 박사와 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 수 나노미터 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 빠르고 정확하게 구성할 수 있는 새로운 AI 기술을 개발했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 결합 임베딩-결정 그래프 합성곱 신경망(BE-CGCNN) 모델을 개발했다. 이 모델은 기존의 결정 그래프 합성곱 신경망(CGCNN) 모델에 원자 간 결합 종류를 고려하는 결합 임베딩(Bond-embedding) 기술을 도입한 것이다. BE-CGCNN 모델을 이용하면 백금 나노입자의 표면에 존재하는 흡착물의 흡착 에너지를 밀도범함수이론에 따른 계산 대비 0.1 eV 오차 수준으로 예측해 표면 푸베이 도표를 정확하게 구성할 수 있다. 기존 CGCNN 모델과 비교해서는 최대 85.7%만큼 오차가 감소했다. 실제 PEMFC에 사용되는 약 5 nm 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 계산하는 데 걸린 시간은 불과 약 70초였다. 기존 밀도범함수이론을 사용하면 1년 이상의 시간이 걸리던 계산이다. KIST 한상수 박사는 “백금뿐만 아니라 다양한 금속 및 합금 나노입자의 안정성을 예측하는데 BE-CGCNN 모델을 적용할 수 있어 긴 수명을 가지는 신소재 촉매 개발에도 활용이 가능할 것”이라고 기대했다. 김동훈 박사는 “향후 본 기술을 활용해 높은 안정성을 보유한 신소재 나노입자 촉매를 개발하면 연료전지의 수명이 획기적으로 연장된다. 백금 이외의 다양한 소재에 적용할 수 있도록 모델 학습용 데이터를 확보하고, 딥러닝 모델을 확장할 예정”이라고 말했다. 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03)으로 수행된 이번 연구 성과는 국제 학술지 「Nature Communications」에 5월 25일 온라인 게재*되었다. * Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles [그림 1] 실제 크기 나노입자의 표면 푸베이 도표 예측 및 DFT와의 계산시간 비 [그림 2] BE-CGCNN 모델의 개념도 [그림 3] BE-CGCNN 흡착에너지 예측 결과 및 나노입자 구조에 따른 표면 푸베이 도표 비교 ○ 논문명 : Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles ○ 학술지: Nature Communications ○ 게재일: 2023. 5. 25. (온라인) ○ DOI: https://doi.org/10.1038/s41467-023-38758-1 ○ 논문저자 - 방기훈 박사후 연구원(제1저자/KIST 계산과학연구센터), - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터), - 한상수 책임연구원(교신저자/KIST 계산과학연구센터), - 이혁모 교수(교신저자/KAIST )

- 수 나노미터 크기 백금 나노입자 촉매 안정성 계산하는 BE-CGCNN 모델 개발 - 다양한 금속 나노입자에 적용 가능해 신소재 촉매 개발에 활용 기대 수소 자동차에 주로 사용되는 양성자 교환막 연료전지(PEMFC)에는 백금(Pt)계 촉매가 주로 사용된다. 촉매의 성능은 연료전지의 수명과 직결되기 때문에 백금 촉매의 성능, 특히 안정성을 높이는 연구가 필수적이다. ‘표면 푸베이 도표’를 이용하면 실제 작동환경에서 촉매 물질의 표면 구조와 안정성을 예측할 수 있다. 표면 푸베이 도표는 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산으로 구할 수 있지만, 수 나노미터 크기의 나노입자 구조를 가진 백금 촉매의 경우 수천 시간이 소요된다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 한상수 박사, 김동훈 박사와 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 수 나노미터 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 빠르고 정확하게 구성할 수 있는 새로운 AI 기술을 개발했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 결합 임베딩-결정 그래프 합성곱 신경망(BE-CGCNN) 모델을 개발했다. 이 모델은 기존의 결정 그래프 합성곱 신경망(CGCNN) 모델에 원자 간 결합 종류를 고려하는 결합 임베딩(Bond-embedding) 기술을 도입한 것이다. BE-CGCNN 모델을 이용하면 백금 나노입자의 표면에 존재하는 흡착물의 흡착 에너지를 밀도범함수이론에 따른 계산 대비 0.1 eV 오차 수준으로 예측해 표면 푸베이 도표를 정확하게 구성할 수 있다. 기존 CGCNN 모델과 비교해서는 최대 85.7%만큼 오차가 감소했다. 실제 PEMFC에 사용되는 약 5 nm 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 계산하는 데 걸린 시간은 불과 약 70초였다. 기존 밀도범함수이론을 사용하면 1년 이상의 시간이 걸리던 계산이다. KIST 한상수 박사는 “백금뿐만 아니라 다양한 금속 및 합금 나노입자의 안정성을 예측하는데 BE-CGCNN 모델을 적용할 수 있어 긴 수명을 가지는 신소재 촉매 개발에도 활용이 가능할 것”이라고 기대했다. 김동훈 박사는 “향후 본 기술을 활용해 높은 안정성을 보유한 신소재 나노입자 촉매를 개발하면 연료전지의 수명이 획기적으로 연장된다. 백금 이외의 다양한 소재에 적용할 수 있도록 모델 학습용 데이터를 확보하고, 딥러닝 모델을 확장할 예정”이라고 말했다. 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03)으로 수행된 이번 연구 성과는 국제 학술지 「Nature Communications」에 5월 25일 온라인 게재*되었다. * Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles [그림 1] 실제 크기 나노입자의 표면 푸베이 도표 예측 및 DFT와의 계산시간 비 [그림 2] BE-CGCNN 모델의 개념도 [그림 3] BE-CGCNN 흡착에너지 예측 결과 및 나노입자 구조에 따른 표면 푸베이 도표 비교 ○ 논문명 : Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles ○ 학술지: Nature Communications ○ 게재일: 2023. 5. 25. (온라인) ○ DOI: https://doi.org/10.1038/s41467-023-38758-1 ○ 논문저자 - 방기훈 박사후 연구원(제1저자/KIST 계산과학연구센터), - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터), - 한상수 책임연구원(교신저자/KIST 계산과학연구센터), - 이혁모 교수(교신저자/KAIST )

- 수 나노미터 크기 백금 나노입자 촉매 안정성 계산하는 BE-CGCNN 모델 개발 - 다양한 금속 나노입자에 적용 가능해 신소재 촉매 개발에 활용 기대 수소 자동차에 주로 사용되는 양성자 교환막 연료전지(PEMFC)에는 백금(Pt)계 촉매가 주로 사용된다. 촉매의 성능은 연료전지의 수명과 직결되기 때문에 백금 촉매의 성능, 특히 안정성을 높이는 연구가 필수적이다. ‘표면 푸베이 도표’를 이용하면 실제 작동환경에서 촉매 물질의 표면 구조와 안정성을 예측할 수 있다. 표면 푸베이 도표는 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산으로 구할 수 있지만, 수 나노미터 크기의 나노입자 구조를 가진 백금 촉매의 경우 수천 시간이 소요된다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 한상수 박사, 김동훈 박사와 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 수 나노미터 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 빠르고 정확하게 구성할 수 있는 새로운 AI 기술을 개발했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 결합 임베딩-결정 그래프 합성곱 신경망(BE-CGCNN) 모델을 개발했다. 이 모델은 기존의 결정 그래프 합성곱 신경망(CGCNN) 모델에 원자 간 결합 종류를 고려하는 결합 임베딩(Bond-embedding) 기술을 도입한 것이다. BE-CGCNN 모델을 이용하면 백금 나노입자의 표면에 존재하는 흡착물의 흡착 에너지를 밀도범함수이론에 따른 계산 대비 0.1 eV 오차 수준으로 예측해 표면 푸베이 도표를 정확하게 구성할 수 있다. 기존 CGCNN 모델과 비교해서는 최대 85.7%만큼 오차가 감소했다. 실제 PEMFC에 사용되는 약 5 nm 크기의 백금 나노입자에 대해서 표면 푸베이 도표를 계산하는 데 걸린 시간은 불과 약 70초였다. 기존 밀도범함수이론을 사용하면 1년 이상의 시간이 걸리던 계산이다. KIST 한상수 박사는 “백금뿐만 아니라 다양한 금속 및 합금 나노입자의 안정성을 예측하는데 BE-CGCNN 모델을 적용할 수 있어 긴 수명을 가지는 신소재 촉매 개발에도 활용이 가능할 것”이라고 기대했다. 김동훈 박사는 “향후 본 기술을 활용해 높은 안정성을 보유한 신소재 나노입자 촉매를 개발하면 연료전지의 수명이 획기적으로 연장된다. 백금 이외의 다양한 소재에 적용할 수 있도록 모델 학습용 데이터를 확보하고, 딥러닝 모델을 확장할 예정”이라고 말했다. 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03)으로 수행된 이번 연구 성과는 국제 학술지 「Nature Communications」에 5월 25일 온라인 게재*되었다. * Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles [그림 1] 실제 크기 나노입자의 표면 푸베이 도표 예측 및 DFT와의 계산시간 비 [그림 2] BE-CGCNN 모델의 개념도 [그림 3] BE-CGCNN 흡착에너지 예측 결과 및 나노입자 구조에 따른 표면 푸베이 도표 비교 ○ 논문명 : Machine Learing-Enabled Exploration of the Electrochemical Stability of Real-Scale Metallic Nanoparticles ○ 학술지: Nature Communications ○ 게재일: 2023. 5. 25. (온라인) ○ DOI: https://doi.org/10.1038/s41467-023-38758-1 ○ 논문저자 - 방기훈 박사후 연구원(제1저자/KIST 계산과학연구센터), - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터), - 한상수 책임연구원(교신저자/KIST 계산과학연구센터), - 이혁모 교수(교신저자/KAIST )

- KIST 본원 내 KIST-토페스 링킹랩 설치 - 실시간 차량 검출·추적이 가능한 AI 기반 교통관제 기술 상용화 협력 한국과학기술연구원(KIST, 원장 윤석진)은 6월 13일(화) 서울 성북구 KIST 본원에서 토페스(대표이사 박병진)와 AI 기반 실시간 차량 검출·추적·속도 추정 기술 개발을 위한 기술이전 조인식 및 링킹랩(Linking Lab) 사업 현판식을 개최했다고 밝혔다. 두 기관은 향후 2년간 해당 기술에 대해 협력 연구를 수행해 스마트 시티에 적용할 수 있는 교통관제 기술 상용화에 힘을 합친다는 계획이다. 첨단 ICT 기술을 기반으로 교통, 에너지, 시설 비효율 등 각종 도시문제를 해결하는 스마트 시티 기술은 도시화율이 81%가 넘는 우리나라에서 시민의 삶을 향상시키는 핵심기술로 손꼽힌다. 그중에서도 스마트 교통 시스템 분야는 도시의 안전을 위해 필수적인 요소로 많은 기술 수요와 함께 비약적인 발전이 이뤄지고 있다. 연구 책임자인 KIST 김익재 AI·로봇연구소장은 “본 기술은 CCTV 영상을 분석해 실시간 차량 검출 추적이 가능한 지능형 교통관제 기술로 공공의 질서와 시민의 안전을 위한 핵심기술이다”라며 “기술이전 및 링킹랩 사업을 통해 제품의 빠른 상용화를 기대한다”고 밝혔다. 윤석진 원장은 “KIST와 토페스의 협력은 기술이전 계약을 체결한 기업의 상용화 과정을 적극적으로 지원하는 링킹랩 사업의 대표적 예가 될 것이다. 특히 토페스의 사업 분야가 국민의 안전을 지키는 공공분야인 만큼 키스트의 기술이 국민의 안전한 삶에 기여하기를 기대한다”라고 말했다. 토페스 박병진 대표는 “급변하는 국내·외 기술변화에 맞춰 다양한 기술과 유능한 인적자원을 보유한 KIST의 기술을 이전받아 당사의 교통안전 솔루션 완성을 위한 협력 연구를 진행하게 되었다. 본 협력으로 토페스가 100년 기업으로 성장하는 초석이 되길 희망한다”며 “해당 기술의 상용화와 적용분야 확대를 통해 해외 진출에도 힘쓸 예정이다”라고 밝혔다. 토페스는 1984년 오리엔탈전자시스템(주)으로 설립되었고 1992년 국내 최초로 무인교통단속시스템을 개발한 이후 교통솔루션 전문기업으로 성장했다. 2023년 1월에는 이를 이륜차를 포함한 딥러닝기반의 전후방 단속시스템으로 확대해 우수조달기업으로 지정되었다. [사진 1] KIST와 (주)토페스 기술이전 조인식에 참석한 관계자들이 단체 기념 촬영을 하고 있다. [사진 2] 윤석진 KIST 원장(좌)과 박병진 (주)토페스 대표이사(우)가 링킹랩 사업 현판식 기념 촬영을 하고 있다.

김진상 KIST 전북분원장 한 나라의 재정 건전성은 통상 GDP 대비 국가부채 비율을 기반으로 평가한다. D1, D2 등으로 분류되는 국가부채 중 국제적 지침으로서 통상적으로 국가 간 비교에 쓰이는 국가부채는 D2로, 이는 중앙정부 및 지방·교육 지자체 부채를 의미하는 D1에 비영리 공공기관의 부채까지 포함한 일반정부 부채에 해당한다. 그런데 IMF에 따르면 우리나라의 2022년 말 기준 GDP 대비 D2 비율은 54.6%로, 선진 35개국 중에서 통화 발행에 따른 구조적 채무에서 자유로운 非기축통화국의 지난해 연말 기준 평균인 52.0%보다 높고 2027년에는 57.8%로 높아질 것이라고 한다. 또한 한국경제연구원은 OECD 非기축통화국 17개국 중 우리나라 국가부채 비율 순위가 2020년 9위에서 2026년 3위가 될 것으로 예측하고 있다. 이처럼 GDP 대비 국가부채 비율이 가파르게 상승하고 있는데, 전문가들이 우리나라의 재정건전성을 우려하는 이유가 바로 여기에 있다. 국가부채 비율을 낮추기 위해서는 국세 수입, 자산운용 수입 등을 확충하여 세입의 기반을 만드는 한편, 세출을 제한해야 한다. 하지만 이 단순한 원리는 초고령 사회에 접어들면서 잠재 성장률이 둔화하고 있는 대한민국에게는 해가 갈수록 어려운 과제가 되고 있다. 이 문제를 극복하기 위해 다양한 대책을 강구해야겠지만, 지금 이 시점에서 우리가 놓치지 말아야 할 것은 바로 노동생산성의 향상이다. 생산가능인구가 줄더라도 생산성이 개선된다면 우리 사회는 지속적으로 발전할 수 있기 때문이다. 노동생산성은 시간당 노동자가 벌어들일 수 있는 재화를 의미하며 GDP를 모든 근로자들의 노동 시간으로 나눈 값에 해당한다. 한국인의 연간 평균 노동 시간은 2021년 기준 1,915 시간으로 OECD 36개국 중 네 번째로 많으나, 노동 생산성은 41.7달러로 하위권인 27위에 속한다. 1위 아일랜드의 노동생산성(111.8달러)의 1/3 수준에 불과하다. 우리나라 사업장에서 노동 시간은 지속적으로 줄어 왔지만 노동생산성은 제자리에 머물고 있다. 이제는 어떻게 하면 노동생산성을 늘릴 수 있을지 고민해야 한다. 근로시간을 효율적으로 일에 집중할 수 있도록 유도하는 등 새로운 근로 기준안의 마련과 더불어 사회적 대타협이 필요하다. 첨단 산업을 선도함으로써 새로운 성장 동력을 확보하고자 하는 노력 역시 게을리해서는 안 된다. 이러한 측면에서 최근 우리나라의 스타트업 기업의 약진 소식은 꽤 고무적이다. 스타트업으로 기업 가치가 1조원을 넘는 이른바 유니콘 기업은 해마다 늘어 2017년 3개에서 2022년에는 22개에 이르렀다. 2023년 미국 라스베이거스에서 열린 국제전자제품 박람회(CES)에서 국가별 최고 혁신상은 한국이 9개사로 미국 (4개사), 독일 (2개사), 일본(2개사)에 비해 압도적으로 많았다. 인공지능(AI), 전기 자동차, 에어모빌리티 등 미래 산업의 최신 경향과 발맞춘 세계적인 기업이 우리나라에서 태동하고 있다는 것을 보여주는 것이라 할 수 있다. 현재 세대가 아무런 책임감 없이 미래 세대에게 국가부채를 떠넘길 수는 없는 노릇이다. 그러니 생산성 향상에 초점을 맞춰 개선된 노동 환경에 산·학·연이 서로 합심하여 이룬 산업 혁신이 더해질 수 있도록 최선을 다해야 한다. 그렇게 된다면 현재 우려하고 있는 국가부채 문제는 기우에 지나지 않을 것이라고 믿는다. 출처 : 전북일보(링크)