“실제 제작하지 않아도 알 수 있다”... 

SAINT 강보석 교수-전자전기공학부 고종환 교수 연구팀, 고분자 물성 예측 및 최적 공정 탐색 시스템 개발

▲(왼쪽부터) 성균관대 강보석 교수(교신저자), 고종환 교수(교신저자), 소창록 석사과정생(제1저자), 김영신 석사(공동 제1저자)

기존의 소재 탐구 연구는 재료 및 무게 조합 비율 등을 보고 유기 화학 반응의 결과를 예상해 원하는 물성을 갖는 고분자를 합성한다. 하지만 정확한 예측은 불가능하기에, 그동안의 연구는 원하는 생성물을 확인할 때까지 공정을 여러 번 반복되게 된다. 이 때문에 실험 작업은 일반적으로 시간과 비용이 많이 소모된다.

이런 한계를 극복하기 위해 최근에는 인공지능을 활용해 유기 화학 반응의 결과를 예측하는 연구가 학계에 활발히 보고되고 있다. 하지만 예측 정확도를 높이기 위해선 대규모 데이터를 이용하여 인공지능을 학습시켜야 하지만 일반적으로 이에 필요한 충분한 양(천 개 이상)의 고분자의 데이터가 구축 또는 배포돼 있지 않다.

성균나노과학기술원(SAINT) 강보석 교수 연구팀은 과거 연구자들이 축적한 CNT*/ABS** 고분자와 관련된 만 개 이상의 대규모 데이터를 모아, 이를 학습에 활용할 뿐만 아니라 이에 적합한 모델 구조를 설계했다. 그 결과 훈련되지 않은 데이터에서도 인공지능 모델에게 공정 정보를 입력하면 고분자 물성을 매우 우수한 정확도로 예측하였다. 하지만 반대 과정인, 원하는 물성의 고분자를 합성하기 위한 최적의 공정을 탐색하는 과정은 정의역이 여러 개의 치역에 대응되는 문제이기에 인공지능 모델의 학습이 발산되는 문제점이 있다. 따라서 강보석 교수, 고종환 교수 공동연구팀은 몬테 카를로(Monte Carlo) 시뮬레이션을 기존 과정과 결합해 원하는 물성의 고분자를 합성 가능한 최적의 공정을 탐색하는 시스템을 구축했다.

 * CNT: 탄소 나노튜브를 뜻하며 원기둥 모양의 나노구조를 지니는 탄소의 동소체이다. 탄소 나노튜브는 여러 특이한 성질을 가지고 있어서 나노기술, 전기공학, 광학 및 재료공학 등 다양한 분야에서 유용하게 쓰일 수 있다.
 ** ABS: 아크릴로나이트릴(Acrylonitrile), 뷰타다이엔(Butadiene), 스타이렌(Styrene)의 약자로 3가지 중 스타이렌이 주원료다. 일반적으로 가공이 쉽고 내충격성이 크고 내열성도 좋은 범용 열가소성 플라스틱이다.

강보석 교수는 "이번 연구로 축적된 많은 양의 데이터를 재사용하여 인공지능을 학습함과 동시에, 효과적인 인공지능 모델 구조를 개발함으로써 높은 예측 정확도를 가진 고분자-인공지능 시스템을 구축할 수 있었다"며 "또한 이 시스템을 활용하면 실험 비용과 시간을 대폭 낮출 수 있어 높은 산업적 효용을 지니고 있다"고 말했다.

이번 논문은 성균관대 인공지능학과 소창록 석사과정이 제1저자로 참여했으며, 전자전기공학부 고종환 교수가 공동 교신저자로 참여했다. 이번 연구 결과는 재료-인공지능 분야 권위있는 학술지 Advanced Intelligent Systems 2월호의 표지논문으로 선정되었다. 이번 연구는 산업통상자원부와 과학기술정보통신부의 지원을 받아 수행됐다.