고려대학교(총장 정진택) 화학과 박성남 교수와 최동훈 교수 공동 연구팀이 유기전자재료 발굴 시간을 획기적으로 줄일 수 있는 Artificial Intelligence(AI)인 ‘DeepHL’을 개발했다. DeepHL은 유기전자재료의 특성을 정확하고 빠르게 예측할 수 있는데, 즉 기존 방법 대비 예측 시간을 약 620,000배 단축할 수 있고, 예측 오차를 약 20배 개선할 수 있다. 이에 따라 돌돌 말 수 있으면서 친환경적이며 무기반도체와 같은 성능을 발휘하는 유기태양전지와 OLED 개발도 한층 앞당겨질 전망이다. 

이번 연구는 국제학술지 네이처 출판그룹(Nature Publishing Group)의 국제 저명 학술지 ‘npj Computational Materials’ (IF=12.256, JIF 상위 9.42%)에 7월 11일자 (한국시간 오후 6시) 온라인 게재됐다. 정민석 석사과정생, 정준영 연구교수, 황진효 연구교수, 한민희 석박사통합과정생이 제1 저자로, 박성남 교수와 최동훈 교수가 교신저자로 참여했다.

공동 연구팀은 개발한 DeepHL을 누구나 이용할 수 있도록 웹 어플리케이션도 개발했다. (http://deep4chem.korea.ac.kr/DeepHL) 

유기전자재료는 전자 회로 부품을 구성할 수 있는 유기 소재로 기존 실리콘 기반 재료보다 유연하고 가볍고 저렴하다는 장점이 있고, 생산에서 폐기에 이르기까지 환경 친화적이다. 이 때문에 유기전자재료는 반도체, 태양전지, 디스플레이의 소재로서 널리 활용되고 있고, 새로운 유기전자재료를 개발하려는 연구도 매우 활발하게 이뤄지고 있다. 

고성능 유기전자재료를 개발할 때 중요하게 고려되는 소재 특성 중 하나는 에너지 준위이다. 전자 회로 부품을 구성하는 전자재료 간의 에너지 준위가 잘 정렬되어 있어야 전류가 잘 흐를 수 있기 때문이다. 신규 유기전자재료는 소재를 설계 및 합성한 후 그 특성을 확인하는 과정을 반복하는 시행착오를 통해 개발된다. 이러한 과정에서 개발 비용과 시간이 많이 소모되기 때문에 설계 단계에서부터 소재의 특성을 정확히 예측하여 시행착오를 줄이는 것이 필요하다. 

현재 소재 특성 예측에는 이론 기반 계산과 AI 모델이 사용된다. 하지만 이론 기반 계산은 예측 시간이 매우 오래 걸리고, 또한 기존 AI 모델은 계산 데이터베이스(DB)를 학습하여 예측값이 실측값과 차이가 있다는 한계가 있어 재료 발굴 과정에 부적합하다. 이번 연구에서 공동 연구팀이 개발한 DeepHL은 실험 DB에 기반하여 실측값을 빠르고 정확히 재현할 수 있고, 결과적으로 기존 방법들의 한계점을 극복했다.

공동 연구팀은 이에 앞서 소재의 광특성을 정확히 예측할 수 있는 AI 모델(딥러닝 분자 분광법, DLOS)을 개발했다. 해당 연구 성과는 2021년 3월 18일(한국시간) 미국화학회지(American Chemical Society) JACS Au에 발표됐다. 현 연구로 개발된 DeepHL은 본 연구팀이 개발한 AI 모델(DLOS)의 후속 연구로서 소재의 에너지 준위까지 예측할 수 있도록 확장된 것이다. DeepHL을 활용하면 기존 이론 기반 계산과 대비하여 예측 시간을 약 620,000 배 줄일 수 있고, 기존 AI 모델에 비해 예측 오차를 약 20 배 개선할 수 있다.

DeepHL을 개발하기 위해 공동 연구팀은 문헌에 보고된 유기전자재료의 에너지 준위를 수집해 3천3백여 개의 실측값으로 DB를 구축했다. 그리고 구축된 DB에 있는 유기전자재료의 에너지 준위를 효율적으로 학습하여 정확히 예측하는 AI 모델을 개발했다. DeepHL과 선행 연구로 개발된 DLOS을 활용한다면 유기태양전지 및 OLED 등 분야에서 사용되는 유기전자재료의 광특성과 에너지 준위를 정확하고 빠르게 예측할 수 있어 연구 개발의 비용과 시간을 크게 낮출 수 있을 것으로 전망된다.

이번 연구는 교육부가 지원하는 이공분야 대학중점연구소지원사업과 과학기술정보통신부가 지원하는 개인기초연구(중견연구)의 일환으로 수행됐다.

○ 유기전자재료는 유연하여 다양한 폼펙터를 지닌 하드웨어에 활용될 수 있고, 또한 기존 실리콘 기반 재료에 비해 가볍고 저렴하고 환경 친화적이기 때문에 소재산업의 새로운 모멘텀이 될 가능성이 크다. 반도체, 태양전지, OLED, 센서 등 다양한 분야에서는 이미 유기전자재료가 폭넓게 활용되고 있고, 또한 맞춤형 고효율의 소재를 개발하기 위한 연구가 진행되고 있다. 

○ 유기전자재료를 개발할 때 중요하게 고려되는 소재 특성 중 하나는 에너지 준위이다. 전자재료 간의 에너지 준위가 정렬되어야 전자 회로 부품의 효율을 높일 수 있다. 신규 유기전자재료는 소재를 설계 및 합성한 후 그 특성을 확인하는 과정을 반복하는 시행착오를 통해 개발된다. 이러한 과정에서 개발 비용과 시간이 많이 소모되기 때문에 설계 단계에서부터 소재의 특성을 정확히 예측하여 시행착오를 줄이는 것이 필요하다. 연구자들은 유기전자재료 개발 과정에서 설계된 소재의 에너지 준위를 예측하고자 하는데, 양자역학에 기반을 둔 계산이 일반적으로 이용된다. 또한 최근에는 이론 기반 계산에서 소요되는 시간을 줄이기 위해, 이론 기반 계산 DB를 기반으로 한 AI 모델도 다수 개발되고 있다. 

○ 앞서 개발된 AI 모델들은 유기전자재료 개발 연구에 적용되기가 힘든데 그 이유는 다음과 같다. (1) 이론 기반 계산 DB들이 실제로 연구되는 분자들보다 작은 분자들만을 포함하고 있다. (2) AI 모델이 이론 기반 계산 DB에 기반을 두기 때문에 AI 모델의 예측 정확도의 상한은 이론 기반 계산의 정확도이다. 이때 발생하는 문제점은 DB 구축에 사용된 이론 기반 계산에서 소재와 주위 환경의 상호작용이 무시되는 등 다양한 원인에 의해 이론 기반 계산값이 실측값과 다소 큰 오차를 보인다는 점이다. 따라서 AI 모델을 유기전자재료 개발 연구 과정에서 활용하기 위해서는 앞서 언급한 문제점들을 극복해야만 하는 실정이다.

○ 이론 기반 계산 DB의 문제점을 극복하기 위해서는 실측값으로 구성된 DB가 필요하다. 공동 연구팀은 문헌에 보고된 유기전자재료의 에너지 준위를 수집해 3천3백여 개의 데이터로 구성된 DB를 구축했다. 

○ 공동 연구팀이 구축한 DB로 ‘소재와 에너지 준위 사이의 상관관계를 찾는 딥러닝 모델’을 학습시켜 DeepHL을 개발하였다. 딥러닝 모델은 그래프 합성곱 신경망 (graph convolutional network)과 다층 퍼셉트론 (multi-layer perceptron)을 포함하고 있다. 위 모델은 유기전자재료의 구조를 효과적으로 다루며, 특히 유기전자재료와 주위 환경의 상호작용이 에너지 준위에 영향을 주는 효과를 반영한다. 개발된 DeepHL은 이론 기반 계산 대비 예측 시간은 620,000 배 줄였고, 이론 기반 계산과 기존 AI 모델 대비 예측 오차를 약 20 배 개선하는 등 뛰어난 성능을 보였다.

 

○ DeepHL과 선행 연구로 개발된 DLOS를 활용한다면 반도체와 태양전지 및 OLED 등 각 분야에 필요한 유기전자재료의 광특성과 에너지 준위를 정확하고 빠르게 예측할 수 있어 연구 개발의 비용과 시간을 크게 절약할 수 있을 것이다. 공동 연구팀은 DeepHL과 DLOS를 새로운 청색 OLED 소자 개발에 사용함으로써 이를 실증하였다. 그림 1a는 DeepHL과 DLOS가 어떻게 소재 개발 과정에 활용될 수 있는지를 보여준다. 청색 OLED 소자에 활용될 수 있는 후보 소재를 다수 설계하고, DeepHL과 DLOS를 통해 특성을 예측하여 유망한 소재를 선별하고, 합성하여 특성을 확인하는 과정이다. 그림 1b는 DeepHL로 예측된 에너지 준위가 실측값과 잘 일치하는 것을 보여준다. 그림 1c는 DeepHL과 DLOS로 선별된 소재를 이용해 성공적으로 제작된 청색 OLED이다.

○ 본 연구를 통해 구축된 DB는 연구자가 유기전자재료의 에너지 준위를 검색하는데 활용될 수 있을 것이다. 

○ DeepHL은 유기태양전지, OLED, 센서 등 다양한 산업에서 맞춤형 유기전자재료를 개발하는데 폭넓게 활용될 것이다.

○ 본 공동 연구팀은 DeepHL을 누구나 이용할 수 있도록 웹 어플리케이션을 개발하였다. (http://deep4chem.korea.ac.kr/DeepHL)

 

반도체, 태양전지, OLED, 센서 분야에서 원하는 특성을 갖는 새로운 소재를 개발하는데 많은 연구가 진행되고 있다. 새로운 소재를 개발하는 과정은 소재들을 설계하고, 합성하고, 그리고 그 특성을 확인하는 것으로 구성된다. 연구자는 목적에 부합하는 소재를 개발할 때까지 앞서 언급한 과정을 반복하는데, 이 때 소모되는 비용을 줄이기 위해 이론 기반 계산이나 AI 모델을 사용해 소재의 특성을 예측하여 유망한 소재를 선별한다. 특히 AI 모델은 이론 기반 계산과 비슷한 수준의 정확도를 보이면서도 예측 시간을 크게 줄일 수 있어 상당한 주목을 받았다. 하지만 기존의 AI 모델은 이론 기반 계산으로 구축된 DB에 기반하여 예측의 정확도가 이론 기반 계산의 수준으로 한정되고, 결과적으로 모델의 예측이 상당히 부정확하다는 한계점을 보였다. 지난 연구에서는 DLOS 모델을 개발하여 앞서 언급한 문제점을 극복하였는데, 현 연구에서는 DLOS의 연구성과를 소재의 에너지 준위 예측으로 확장하고자 하였다. 소재의 에너지 준위는 디스플레이뿐 아니라 전자재료를 사용하는 거의 모든 분야에서 중요하게 여겨지기 때문에, 공동 연구팀은 소재의 에너지 준위를 정확하게 예측하는 모델을 개발하여 신소재 개발 과정을 가속하고자 하였다.

소재의 에너지 준위는 주위 환경의 영향을 받기 때문에, 본 공동 연구팀은 소재-주위 환경(예를 들면 용매, 박막, 고체) 조합에 대해 에너지 준위를 라벨링하는 방식으로 DB를 구축했다. DB 내 데이터는 약 3천3백여 개로 다양한 분야에 사용되는 전자재료들을 포함하고 있다. 추가적으로 DeepHL은 소재의 에너지 준위에 대한 주위 환경의 영향을 고려하여 소재의 에너지 준위를 정확히 예측할 수 있도록 개발되었다. 공동 연구팀은 DeepHL을 청색 OLED 소재 개발 과정에 활용함으로써 모델의 유용성을 실증하였다. 구체적으로, 연구진은 청색 OLED에 활용될 수 있는 소재들을 다수 설계했고, 이 중 유망한 소재를 DeepHL과 DLOS를 통해 효과적으로 선별하였다. 소재의 에너지 준위는 전자재료를 사용하는 거의 모든 기기에서 중요하기 때문에, DeepHL은 OLED를 포함한 다양한 분야에서 활용될 수 있을 것으로 기대된다.

본 연구를 진행하기 위해서는 소재 에너지 준위에 대한 실험 DB의 구축이 우선시 되어야 한다. 본 연구진은 문헌 조사를 통해서 분자 에너지 준위에 대한 실험값을 직접 수집했는데, 이것이 가장 힘든 일이었다.

이론 기반 계산 DB에 기반해 에너지 준위를 예측하는 기존 AI 모델과 달리, DeepHL은 실험 DB를 이용해 소재의 에너지 준위를 예측한다. 이론 기반 계산 DB를 이용한 AI 모델은 이론 기반 계산 과정에서 발생하는 문제점을 그대로 가지고 있는데, 소재와 주위 환경의 상호작용을 고려하지 못해 예측값이 실험값과 다른 것이 대표적인 예시이다. DeepHL 모델은 소재-주위 환경에 에너지 준위가 라벨링된 DB를 이용하여 위와 같은 문제점을 극복할 수 있었다. 추가적으로 DeepHL 모델은 이론 기반 계산보다 620,000 배 빠르면서 예측 오차는 20 배 낮다. 즉, DeepHL 모델은 이론 기반 계산이나 기존 AI 모델보다 소재 개발 과정에서 활용되기에 적합한 것이다.

유기전자재료에서 중요하게 여겨지는 또 다른 특성은 소재 내 전하의 이동도이다. 현 연구를 전하의 이동도까지 확장한다면 전자재료의 특성을 좀 더 종합적으로 예측할 수 있다. 본 연구진의 후속 연구계획은 전자재료 내 전하의 이동도를 예측하는 AI 모델을 구축하고, 더 나아가 연구자가 원하는 에너지 준위와 전하 이동도를 가진 소재를 직접 설계해주는 AI 방법을 개발하는 것이다.

1. 인적사항

 ○ 소 속 : 고려대학교 이과대학 화학과

 ○ 전 화 : 02-3290-3144

2. 학력

 ○ 1999-2005년 : University of Chicago 화학, 박사

 ○ 1997-1999년 : 고려대학교 화학, 석사

 ○ 1993-1997년 : 고려대학교 화학과, 학사

3. 경력사항 

 ○ 2022-현재 : Deep4Chem 대표

 ○ 2009-현재 : 고려대학교 화학과 교수

 ○ 2018-2020년 : 고려대학교 화학과 학과장

 ○ 2005-2009년 : Stanford University 박사후 연구원

 ○ 2005-2009년 : PULSE Institute, Stanford University 연구원

4. 전문분야 정보

 ○ 시분해 분광법을 활용한 광유발 화학적 물리적 과정 연구

 ○ 양자 화학 계산 (DFT) 및 분자 동역학 시뮬레이션

 ○ 딥러닝 및 머신러닝 연구

5. 연구지원 정보

 ○ 2019년 ~ 현재 : 교육부 이공분야 대학중점연구소지원사업 

 ○ 2022년 ~ 현재 : 과기정통부 개인기초연구(중견연구)

1. 인적사항

 ○ 소 속 : 고려대학교 이과대학 화학과

 ○ 전 화 : 02-3290-3140

2. 학력

 ○ 1986-1991년 : The University of Michigan, Ann Arbor, 고분자 화학, 박사

 ○ 1984-1986년 : 서울대학교 섬유공학, 석사

 ○ 1980-1984년 : 서울대학교 섬유공학과, 학사

3. 경력사항 

 ○ 2021-현재 : 한국과학기술한림원 정회원

 ○ 2005-현재 : 고려대학교 화학과 교수

 ○ 2019-현재 : 고려대학교 화학과 4단계 BK21 교육연구단장 

 ○ 2009-현재 : 이공분야 대학중점연구소, 기초과학연구소 소장

 ○ 2015-현재 : LG 디스플레이-고려대학교 산학협력연구센터, 센터장 

4. 전문분야 정보

 ○ 유기발광 다이오드 소재: OLED, PLED, DLED, TADF-OLEDs

 ○ 유기 전계효과 트랜지스터, 유기 태양전지

 ○ 유기반도체 나노구조

5. 연구지원 정보

 ○ 2019년 ~ 현재 : 교육부 이공분야 대학중점연구소지원사업 

 

1. 인적사항

 ○ 소 속 : 고려대학교 이과대학 화학과

 ○ 전 화 : 02-3290-3602

2. 학력

 ○ 2021-현재 : 고려대학교 대학원 화학과 석사과정

 ○ 2015-2021년 : 고려대학교 이과대학 화학과, 학사

3. 전문분야 정보

 ○ 딥러닝 및 머신러닝 연구

1. 인적사항

 ○ 소 속 : 고려대학교 기초과학연구소

 ○ 전 화 : 02-3290-3602

2. 학력

 ○ 2015-2020년 : 고려대학교 화학과, 박사

 ○ 2009-2015년 : 인하대학교 자연과학대학 화학과, 학사

3. 경력사항 

 ○ 2020~현재 : 고려대학교 화학과 박사후 연구원

 ○ 2020~현재 : 고려대학교 기초과학연구소 연구교수

4. 전문분야 정보

 ○ 시분해 분광법을 활용한 광유발 화학적 물리적 과정 연구

 ○ 양자 화학 계산 (DFT) 및 분자 동역학 시뮬레이션

 ○ 딥러닝 및 머신러닝 연구

1. 인적사항

 ○ 소 속 : 고려대학교 이과대학 화학과

 ○ 전 화 : 02-3290-3540

2. 학력

 ○ 2015-2022년 : 고려대학교 화학과, 박사

 ○ 2012-2015년 : 서울여자대학교 자연과학대학 화학과, 학사

3. 경력사항 

 ○ 2022~현재 : Purdue University 화학과 박사 후 연구원

 ○ 2022.03~2022.06 : BK21 화학연구교육단 연구교수

4. 전문분야 정보

 ○ 유기반도체 재료 합성 및 소자 성능 연구

1. 인적사항

 ○ 소 속 : 고려대학교 이과대학 화학과

 ○ 전 화 : 02-3290-3602

2. 학력

 ○ 2020-현재 : 고려대학교 대학원 화학과 석박사통합과정

 ○ 2013-2020년 : 고려대학교 이과대학 화학과, 학사

3. 전문분야 정보

 ○ 딥러닝 및 머신러닝 연구