Command Palette
Search for a command to run...
MOF 구조, 36년 만에 노벨상 수상…AI가 화학 이해하면 금속-유기 골격체, 생성적 연구 시대로 도약
2025년 10월 8일, 스웨덴에서 노벨 화학상 수상자가 발표되었습니다.**스웨덴 왕립 과학 아카데미는 "금속 유기 골격"(MOF) 분야의 연구 기여를 인정하여 교토 대학의 스스무 기타가와 교수, 멜버른 대학의 리처드 롭슨 교수, 캘리포니아 대학 버클리의 오마르 야기 교수에게 2025년 노벨 화학상을 수여하기로 결정했습니다.**30년 이상 시장에서 검증된 이 연구 분야는 이제 세계 과학계의 연례 각주가 되었습니다.
노벨 화학상 위원회 위원장인 하이너 링케는 노벨상 공식 보도자료에서 "스스무 키타가와, 리처드 롭슨, 오마르 야기가 만든 새로운 분자 구조는 분자가 통과할 수 있는 큰 공동을 포함하고 있어 사막 공기에서 수분을 얻고, 물에서 오염 물질을 추출하거나, 이산화탄소를 포집하고 수소를 저장할 수 있다"고 밝혔습니다.금속-유기 골격(MOF)은 엄청난 잠재력을 지니고 있으며, 새로운 기능을 갖춘 소재를 개발하는 데 있어 이전에는 예상치 못했던 기회를 가져올 수도 있습니다.
노벨상을 넘어, MOF의 중요성은 재료 과학 그 자체를 넘어 인류가 물질 세계를 재해석하는 시대를 열었습니다. 분자 수준에서 프로그래밍 가능한 3차원 공간의 발견으로 화학은 점차 발견에서 설계로, 데이터, 알고리즘, 그리고 AI의 논리로 전환되었습니다.
더 많은 AI 프런티어 논문: https://hyper.ai/papers
배위 중합체에서 MOF까지: 36년간의 화학 퍼즐
실제로 1980년대부터 2025년까지 노벨상 수상자들은MOF에 대한 연구는 화학적 개념 탐구에서 체계적 설계까지 3단계로 발전했습니다.
1989년, 리처드 롭슨은 처음으로 3차원 배위 고분자의 구조적 개념을 제안했습니다.그는 원자의 고유한 특성을 새로운 방식으로 활용하려 했습니다. 배위 결합을 사용하여 금속 노드와 유기 리간드를 연결하여 주기적인 네트워크 구조를 만들었습니다. 양전하를 띤 구리 이온을 네 개의 팔을 가진 분자와 결합하여, 각 팔이 구리 이온을 끌어당기는 화학 작용기로 끝나는 분자를 만들었습니다. "그들이 결합하자, 마치 무수한 공극으로 가득 찬 다이아몬드처럼 완벽하게 정렬된, 엄청나게 텅 빈 결정으로 응축되었습니다."
"3차원으로 연결된 막대 모양 세그먼트로 구성된 무한한 고분자 골격"이라는 제목의 이 연구는 미국 화학회지(JACS)에 게재되었습니다. 롭슨의 초기 공동 저자 중 한 명인 벤 F. 호스킨스는 이 획기적인 논문의 공동 저자로, MOF 개념에 대한 최초의 실험적 증거를 제시했습니다.
이 시기에 학계는 MOF 기본 구조에 대한 접목 및 기타 처리 연구를 시작했습니다. 키타가와 스스무는 기체가 이 분자 구조 안팎으로 흐를 수 있음을 증명하고, "유연한 프레임워크"와 "조절 가능한 기공(호흡 MOF)"이라는 개념을 제안했습니다.이 연구는 MOF를 단단한 기공 물질에서 동적인 구조 물질로 변환하여 MOF가 단단한 물질에서 지능형 반응형 물질로 변환될 수 있는 기반을 마련합니다.
1999년, "MOF의 아버지"로 알려진 오마르 야기는 매우 안정적인 MOF(MOF-5)를 만들어냈고, 합리적인 설계를 통해 변형하여 새로운 특성을 부여할 수 있음을 증명했습니다. MOF-5는 대표적인 금속-유기 골격 물질로, 수소 저장, 기체 흡착 등의 초기 연구에 널리 활용되어 왔습니다.그가 제안한 "망상 화학" 개념은 화학 합성을 구조 예측 가능 시대로 이끌었습니다. 이를 바탕으로 모하메드 에다우디는 "설계 전략에서 응용까지 금속-유기 골격체(Metal-Organic Frameworks from Design Strategies to Applications)"와 같은 논문을 동시에 발표하여 MOF-5와 같은 초기 고표면적 MOF의 실험 및 합성 화학을 발전시켰습니다.
이 기간 동안 마이클 오키프는 오마르 야기와 공동으로 "MOF 구조의 분류학을 향하여"라는 연구 논문을 발표했는데, 이 논문에서는 위상학적 관점에서 결정과 MOF의 기본 구조를 체계적으로 설명했습니다.
스스무 키타가와가 과학 고문으로 있는 아토미스 주식회사는 2022년부터 야치요 엔지니어링 주식회사와 협력하여 MOF 기술을 기반으로 한 "스마트 가스 네트워크"라는 새로운 에너지 가스 분배 시스템을 개발해 왔습니다.MOF 분자 구조를 이용하면 파이프라인 인프라에 의존하지 않고도 실온에서 나노 스케일로 바이오가스나 천연가스와 같은 제어하기 어려운 메탄 가스를 흡착하고 방출할 수 있어 가벼운 가스 수송이 가능할 것으로 기대됩니다.
현재, Science가 2025년 7월에 실시한 조사에 따르면 MOF는 전 세계적으로 10만 편 이상의 학술 논문의 주제가 되었습니다.
알고리즘이 MOF를 이해하면 화학과 AI가 공명합니다.
인공지능(AI)이 다양한 분야로 융합됨에 따라 많은 연구자들이 "AI + MOF"의 잠재력을 탐구하고 있습니다. 앞서 난창대학교 유즈펑(You Zhipeng) 연구팀은 "2013년부터 2024년까지 금속-유기 구조체의 인공지능: 계량서지학적 분석(Artificial Intelligence in Metal–Organic Frameworks from 2013 to 2024: A Bibliometric Analysis)"이라는 제목의 논문을 발표했습니다. 연구팀은 계량서지학적 방법과 지식 그래프 시각화 소프트웨어를 사용하여 2013년부터 2024년 중반까지 웹 오브 사이언스(Web of Science) 데이터베이스에서 MOF AI 관련 연구 논문들을 분석했습니다.적합 곡선을 보면 연구자들이 MOF 분야의 인공지능 분야에 점점 더 관심을 갖고 있음을 알 수 있습니다. 2016년 이후 "AI + MOF" 연구는 폭발적인 성장을 경험했습니다.문헌의 수는 계속 증가하고 있으며, 이는 이러한 학제간 방향이 주목할 만한 유망한 전망을 가지고 있음을 보여줍니다.
MOF의 구조적 특성 및 화학적 디지털화
현재 MOF의 구조적 특성은 화학의 디지털화를 지속적으로 촉진하고 있습니다.MOF의 "조정 가능한 금속 노드 + 유기 리간드 + 위상 격자" 구조는 이를 열거 및 매개변수화 가능한 개별 화학 공간으로 만들고, 재료 AI가 이해할 수 있는 연구 대상으로 만듭니다.
MOF가 "재료 AI의 이상적인 후보"인 이유는 그 고유한 모듈성과 매개변수화 가능성 때문입니다. 한국과학기술원(KAIST)에서 JACS에 발표한 논문 "데이터에서 발견까지: 금속-유기 구조체에서의 머신러닝 최근 동향"에 따르면,MOF는 기본적으로 금속 노드, 유기 리간드(링커), 공간 토폴로지(넷)라는 세 가지 분리 가능한 구성 요소로 구성됩니다.이 세 가지는 세 개의 열거 가능한 이산 변수에 해당합니다.
* 다양한 금속 클러스터/배위수
* 합성 가능한 유기 리간드 화학 골격;
* 위상적으로 선택적인 연결 방식입니다.
간단히 말해서 화학구조를 셀 수 없는 상황과 비교하면 의심의 여지가 없습니다.MOF의 모듈식 구문은 화학 공간을 기계가 읽을 수 있는 규칙으로 "구분"하여 재료 AI에 대한 이상적인 창의적 패러다임을 제공합니다.이는 화학의 디지털화를 위한 새로운 길을 열었습니다.
양방향 공생: AI가 MOF 연구를 재편하다
"AI 기반 금속-유기 구조체의 발전: 데이터에서 설계 및 응용까지"라는 제목의 공동 논문에서 톈진 이공대학교, 중국과학원, 싱가포르 과학기술연구원(A*STAR) 연구팀은 다음과 같이 밝혔습니다. "최근 인공지능과 머신러닝의 발전은 MOF 분야에 혁신적인 역량을 가져왔습니다. 핵심 데이터베이스, 딥러닝 아키텍처, 생성 모델, 그리고 하이브리드 AI 시뮬레이션 프레임워크는 고성능 MOF 설계 및 스크리닝을 혁신하여 정확한 물성 예측, 자동 구조 생성, 그리고 대규모 합성 계획을 가능하게 했습니다." 실제로 지난 5년 동안 많은 연구팀이 AI 기반 MOF 구조의 물성 예측 및 자동 생성과 같은 하위 분야에서 단계적인 성과를 달성했습니다.
* MOF를 금속 노드와 유기 리간드와 같은 구성 요소로 분할하고 이에 대한 일관된 로컬 좌표계를 정의합니다.
* MOFFlow 모델을 입력하고, 시작점으로 간단한 사전 분포를 설정하고, 사전 분포에서 목표 구조 분포로의 변환 대상을 정의하고, 흐름 매칭 프레임워크를 사용하여 무작위 구성 요소를 합리적인 방식으로 학습하고 배열합니다.
* 인코더가 구성 요소에 내장한 원자 정보를 특징으로 사용하여 그래프 신경망을 사용하여 구성 요소 간의 기하학적 및 위상적 관계를 모델링하고 구성 요소의 회전, 이동 및 격자 매개변수를 예측합니다.
* 샘플링과 구조 재구성을 수행합니다. * MOFFlow는 데이터를 출력하고, 생성된 구조를 실제 결정과 일치시키고 비교하여 결과의 유효성을 검증합니다.
* 주요 LLM 에이전트 MOFMaster(에이전트 1)는 MOF 구조에 대한 관련 생성 옵션을 제공하고 LinkerGen(에이전트 2)에 지침을 전달합니다.
* LinkerGen은 MOFMaster가 제공하는 맥락적 학습과 제약 조건을 기반으로 MOF 화학식을 생성합니다.
* 이 공식은 잡음 제거 확산 확률 모델인 CrystalGen의 입력으로 입력되는데, 이 모델은 관련 없는 원자를 제거하고 관련 있는 원자를 가능한 위치로 이동합니다. 결정 구조는 분류기의 안내 없이 이 공식의 안내에 따라 생성됩니다. * 확산 모델에 의해 생성된 구조가 평형 상태에서 벗어나므로, 저수준 양자역학 Agent QForge를 사전 스크리닝에 사용합니다.
* SynthABLE을 기반으로 한 합성 가능성 평가
* QHarden을 사용하여 원자 간 거리를 확인하고, 결정 구조에서 떠다니는 원자, 분자 조각 및 기타 인공물을 제거한 다음 구조의 최종 최적화를 수행합니다.
* SynthGen의 실험 검증을 기반으로 합니다.
이에 연구팀은 '구성요소 인식' 생성 방식을 제안했다.
* CoRE-MOF 데이터베이스를 시작점으로 사용하여 MOF는 무기 노드, 유기 리간드, 위상 격자의 세 가지 기본 단위로 분해됩니다.
* 확산 모델을 사용하여 노이즈에서 질서로의 구조 생성 과정을 시뮬레이션하고, 각 예측이 화학 결합 및 공간 대칭의 제약 조건을 준수하는지 확인합니다.
* 구성 요소 인식 네트워크 기반 학습은 구성 요소 간의 기하학적 관계와 위상적 연결을 식별하고 기본 화학 법칙을 학습합니다.
* 무작위 노이즈를 샘플링하고, 노드와 리간드의 위치를 점진적으로 제거하고 복원한 다음, PORMAKE 도구를 기반으로 이러한 구성 요소를 다시 조립하여 완전한 MOF 3차원 구조를 생성합니다.
실험 결과, MOF 구성 요소를 확산 모델에 통합하면 BBA MOF 확산을 통해 수천 개의 원자 단위를 포함하는 새로운 MOF 구조를 생성할 수 있으며, "처음부터 시작"해야 하는 한계를 깨고 고성능 MOF를 합성하는 실용적인 방법을 제공할 수 있음이 밝혀졌습니다.
결론
롭슨의 3차원 배위 고분자 프로토타입부터 야기와 키타가와 스스무가 구축한 설계 가능한 프레임워크, 그리고 오늘날 AI를 탑재한 자동화 세대에 이르기까지, MOF의 개발은 화학이 경험적에서 계산적, 구조적에서 알고리즘적 구조로 진화하는 과정을 거의 그대로 반영합니다. 이는 재료 과학의 획기적인 발전일 뿐만 아니라 과학적 방법론의 전환을 의미합니다. 분자 설계가 계산적으로 분리된 공간에 진입하면서 화학은 자체적인 "언어 모델"을 갖추게 됩니다. 미래에는 생성 AI, 양자 컴퓨팅, 그리고 고처리량 실험 플랫폼의 융합을 통해 MOF 연구가 "경험적 발견"에서 "데이터 기반"으로 더욱 발전할 수 있을 것입니다.
참조 링크:
1. https://arxiv.org/html/2504\.14110v1
2. https://arxiv.org/abs/2410\.17270
3. https://arxiv.org/pdf/2505\.08531
4. https://pubs.acs.org/doi/10\.1021/jacsau.4c00618
5. https://www.nobelprize.org/prizes/chemistry/2025/popular\-information/
6. https://www.nobelprize.org/prizes/chemistry/2025/press\-release/
