- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

- 수 년 걸리던 3200여개 촉매 후보소재 성능 하루 만에 탐색 완료 - 백금(Pt) 촉매보다 값싸고 효율적인 삼원소계 합금(Cu-Au-Pt) 신촉매 개발 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다. 한국과학기술연구원(KIST, 원장 윤석진)은 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, 한국과학기술원(KAIST, 총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다고 밝혔다. 공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다. 그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다. 연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다. KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다. 이번 연구성과는 삼성전자(대표이사 경계현)의 삼성미래기술육성사업(SRFC-MA1801-03) 및 과학기술정보통신부(장관 이종호)의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 「Applied Catalysis B: Environmental」에 7월 24일 온라인 개재되었다. [그림 1] 인공지능 기반 수소연료전지 촉매 설계 연구의 요약 도식도 [그림 2] 인공지능 모델 개발을 위해 사용된 KIST 계산과학연구센터 서버팜(server farm) 및 고성능 GPU 기반 슈퍼컴퓨팅 자원 [그림 3] 인공지능 모델링 기반의 고기능성 촉매 선별 방법론 [그림 4] 머신러닝을 통해 예측한 삼원계 합금촉매(Cu3Au@Pt)의 구현을 위한 스퍼터링, 아크플라즈마 박막 증착 공정 및 산소환원반응 특성 결과 ○ 논문명: Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells ○ 학술지: Applied Catalysis B: Environmental ○ 게재일: 2023.07.24. ○ DOI: https://doi.org/10.1016/j.apcatb.2023.123128 ○ 논문저자 - 박영태 박사후연구원(제1저자/KAIST 신소재공학과) - 황창규 박사과정 학생연구원(제1저자/KIST 물질구조제어연구센터) - 김종민 선임연구원(교신저자/KIST 물질구조제어연구센터) - 김동훈 선임연구원(교신저자/KIST 계산과학연구센터) - 한상수 책임연구원(교신저자/KIST 계산과학연구센터) - 이혁모 교수(교신저자/KAIST 신소재공학과)

AI에 대한 도전장, 광자 큐디트로 오류정정 기술 없이 더 정확한 양자컴퓨팅 구현 - 광자 큐디트를 이용한 분자 구조 수준의 양자 시뮬레이션 구현 기존 해외 연구보다 적은 자원으로 더 정확한 양자화학 계산 수행 얼마 전 발표된 노벨화학상은 AI로 단백질 구조를 예측한 새로운 설계를 함으로써 신약개발이나 새로운 물질 개발이 가능하도록 한 워싱턴대 데이비드 베이커 교수, 구글 딥마인드 허샤비스 CEO, 존 점퍼 수석연구원 3명에게 돌아갔다. AI와 데이터가 과학혁명을 주도하는 시대에 신약과 새로운 물질 개발에 또 다른 게임체인저로 양자컴퓨팅 기술이 크게 부상하고 있다. 한국과학기술연구원(KIST, 원장 오상록) 양자기술연구단 임향택 박사 연구팀은 기존보다 적은 자원으로도 원자 간 결합거리와 바닥 상태 에너지를 화학적 정확도로 추정할 수 있는 양자컴퓨팅 알고리즘을 구현해 별도의 양자 오류 완화 기술 없이도 정확한 계산을 수행하는 데 성공했다. 양자 컴퓨터는 연산 공간이 커지면서 오류가 급격히 증가하는 단점이 있다. 이를 극복하기 위해 고전 컴퓨터와 양자컴퓨터의 장점을 결합한 VQE(Variational Quantum Eigensolver) 방식이 등장했다. VQE는 ‘변분 양자 고유값 계산기’라는 의미로, 양자 컴퓨팅 프로세서(QPU)와 고전 컴퓨팅 프로세서(CPU)를 함께 사용해 더 빠른 계산을 수행하도록 고안된 하이브리드 알고리즘이다. IBM과 구글을 비롯한 글로벌 연구팀들이 초전도, 이온 트랩 등 다양한 양자 시스템에서 이를 연구하고 있다. 하지만 큐비트 기반의 VQE는 현재 광자 시스템에서 최대 2큐비트, 초전도 시스템에서는 12큐비트까지 구현된 상태로, 더 많은 큐비트와 복잡한 연산이 필요한 경우 오류 문제가 발생하여 확장이 어렵다는 한계가 있었다. 연구팀은 큐비트 대신 큐디트(Qudit)라는 고차원의 양자 정보를 활용하는 방식을 도입했다. 큐디트는 기존 큐비트가 표현할 수 있는 0과 1 외에도 0, 1, 2 등 여러 상태를 가질 수 있는 양자 단위로, 복잡한 양자 계산에 유리하다. 이번 연구에서는 광자의 궤도각운동량 상태를 이용해 큐디트를 구현했고, 홀로그램 이미지를 통해 광자의 위상을 조절함으로써 차원 확장이 가능했다. 이를 통해 복잡한 양자 게이트 없이도 높은 차원의 계산이 가능해져 오류를 줄일 수 있었다. 연구팀은 이 방법으로 4차원에 해당하는 수소 분자와 16차원에 해당하는 리튬 하이드라이드(LiH) 분자의 결합 거리를 추정하는 양자화학 계산을 VQE로 수행했으며, 이는 광자 기반 VQE를 통해 16차원 계산을 구현한 첫 사례다. IBM, 구글 등 기존의 VQE는 화학적 정확도를 위해 오류 완화 기술이 필요했지만, KIST 연구팀의 VQE는 별도 오류 완화 없이도 정확도를 확보했다. 이는 적은 자원으로도 높은 정확도를 얻을 수 있는 방법을 제시해, 분자 특성이 중요한 산업에 폭넓게 적용될 가능성을 보여준다. 또한, 기후 모형화와 같은 복잡한 문제 해결에도 유용할 것으로 기대된다. KIST 임향택 박사는 “적은 자원으로도 화학적 정확도에 도달 가능한 큐디트 기반 양자컴퓨팅 기술을 확보함으로써, 신약 개발과 배터리 성능 개선 등 다양한 실용적인 분야에 활용되기를 기대한다”고 밝혔다. 본 연구는 과학기술정보통신부(장관 유상임)의 지원을 받아 KIST 주요 사업, 한국연구재단 양자컴퓨팅기술개발사업(2022M3E4A1043330) 등으로 수행됐다. 이번 연구 성과는 국제 학술지 「Science Advances (IF: 11.7 JCR 분야 상위 7.8%)」 에 게재됐다. * (논문명) Qudit-based variational quantum eigensolver using photonic orbital angular momentum states [그림 1] 궤도각운동량 큐디트 기반 VQE – 수소 (H2) 분자 공간 광변조기를 이용하여 궤도각운동량 큐디트 상태를 바탕으로 양자처리장치를 구현함. VQE를 바탕으로 분자 모델의 바닥 상태 에너지를 추정함. [그림 2] 궤도각운동량 큐디트 기반 VQE – LiH 분자 궤도각운동량 큐디트 기반 VQE 실험 구성. 16차원에 해당하는 4차원 수소 분자와 같은 실험 구성으로 LiH 분자 모델의 바닥 상태 에너지를 추정함.