Powered by Indico
v3.2.8
최근 연구 데이터와 인공지능(AI)을 연계하여 신소재를 좀더 효율적으로 개발하기 위한 연구가 활발히 진행되고 있다. Materials Project, Automatic-Flow for Materials Discovery (AFLOW), Open Quantum Materials database (OQMD) 등의 소재연구 빅데이터들이 공개되어 많은 연구자들이 쉽게 접근하여 사용할 수 있게 되었고, 이러한 데이터를 기반으로 좀더 쉽고 빠르게 소재의 특성을 예측하고, 소재 디자인의 지식을 획득하는 등 기계학습 및 인공지능 기술을 도입한 혁신적인 연구방법으로 패러다임이 변화하고 있다. 본 발표에서는 열전소재 연구데이터를 기반으로 SnSe 물질의 열전 성능을 향상시키는 도핑 물질 후보군을 찾는 연구에 대해 소개하고자 한다. 먼저 실험 및 제일원리 계산을 통해 다양한 도핑물질이 도입된 SnSe 물질의 합성과정, 열전특성, 전자구조 등의 소재데이터를 생성하였다. 편리한 데이터 수집을 위해 웹기반 데이터 플랫폼(https://www.TEXplorer.org)을 구축하여 데이터를 처리하고 공유하였으며, 데이터 가시화 기능을 통해 웹상에서 쉽게 여러 샘플에 대한 측정 및 계산 데이터를 비교분석할 수 있도록 구성하였다. 이렇게 수집된 데이터를 기반으로 다양한 도핑 물질에 대한 열전특성을 기계학습을 이용해서 학습하고, 새로운 도핑 물질 및 최적화된 조성을 찾기 위해 2832개의 조성에 대해 열전특성 예측을 진행하였다. Zn, Ge, Pb, Cd, Y, As과 같은 도핑 물질을 통해 기존 성능보다 향상된 신소재를 찾을 수 있었고, 위 조성에 대해 실제 실험으로 합성 및 검증을 수행하여 기계학습을 통한 신소재 개발 연구의 표준 사례를 제시할 수 있었다. 본 연구를 통해 실험실의 다양한 합성 조건 및 측정 결과 데이터를 체계적으로 정리하여 유용하게 사용할 수 있는 플랫폼을 구성하였고, 데이터를 이용한 신소재 개발의 가능성을 제시하였으며, 이러한 데이터기반 연구방법이 점차 확대될 것으로 기대한다. 또한 이를 바탕으로 추후 인공지능이 실험 방향을 직접 선택하고,로봇이 자동으로 실험을 진행하는 스마트 연구실로 발전시켜 소재 개발의 혁신을 이어가고자 한다.
Zoom link : https://us02web.zoom.us/j/82609815099?pwd=SUgzNzJGZTZVOGpOMWVVNWpOOE9UZz09
Meeting ID: 826 0981 5099 Passcode: 350938
(초청자: 박지상)