청화대학교는 63만개의 3차원 공간 구성을 효과적으로 식별하고 MOF의 흡착 용량을 예측하는 Uni-MOF 모델 출시를 주도했습니다.

산업계에서는 고순도 가스가 반도체 제조, 광섬유 생산, 과학 연구, 의료 보건, 환경 보호 에너지 등 여러 분야에서 널리 사용됩니다. 예를 들어, 반도체 산업에서 고순도 가스는 칩 제조를 위한 핵심 원자재이며, 집적 회로의 성능과 수율에 직접적인 영향을 미칩니다.

고순도 가스를 제조하는 데 있어서 가장 중요한 과제는 가스 분리입니다. 일반적인 기체 분리 방법에는 극저온법(증류 원리), 흡착법(분자 극성), 막법(막 여과) 등이 있습니다. 그 중에서도 금속 유기 골격체(MOF)는 고도로 정렬된 기공 구조와 조절 가능한 기공 크기로 인해 기체 흡착, 저장 및 분리에 큰 응용 잠재력을 보여줍니다.일부 사람들은 MOF가 20세기에 플라스틱이 중요했던 것만큼 21세기에도 중요할 것이라고 예측합니다.

그러나 MOF의 흡착 용량을 정확하게 예측하는 데는 여전히 많은 어려움이 있습니다. 이 문제를 해결하기 위해 청화대학교 화학공학과의 루 디안난 교수 연구팀은 캘리포니아대학교 리버사이드 캠퍼스의 우 지안중 교수, 베이징 과학기술연구소의 가오 지펑 연구원과 협력하여 최근 Nature Communications에 "금속 유기 구조체에서 고정확도 가스 흡착 예측을 위한 포괄적인 변압기 기반 접근법"이라는 제목의 새로운 논문을 발표했습니다.

본 연구에서는 3차원 MOF 물질의 흡착 거동을 예측하기 위한 기계 학습 모델 Uni-MOF를 제안하며, 이는 다양한 작업 조건에서 다양한 가스에 대한 나노다공성 물질의 흡착 성능을 예측하는 데 사용됩니다.이는 재료과학 분야에서 머신러닝 기술을 적용하는 데 있어서 중요한 획기적인 진전입니다.

연구 하이라이트:

* Uni-MOF 프레임워크는 다양한 조건에서 MOF의 가스 흡착 용량을 예측하기 위한 다목적 솔루션입니다.

* Uni-MOF는 사전 학습을 통해 나노다공성 물질의 3차원 구조를 인식하고 복원할 수 있을 뿐만 아니라 온도, 압력, 다양한 가스 분자와 같은 작동 조건까지 추가로 고려하여 과학 연구와 실제 응용 분야에 모두 적합합니다.

* Uni-MOF는 다른 가스의 흡착 데이터를 활용하여 알려지지 않은 가스의 흡착 성능을 정확하게 예측합니다.

서류 주소:
https://www.nature.com/articles/s41467-024-46276-x 

공식 계정을 팔로우하고 "흡착"이라고 답글을 달면 전체 PDF를 받을 수 있습니다.

데이터 세트: 기존 데이터베이스 + 프로그램에서 생성된 데이터

이 연구에서 사전 훈련에 사용된 MOF/COF 구조는 주로 두 가지 측면에서 나왔습니다. 하나는 현재 사용 가능한 데이터베이스에서 수집한 것이고 다른 하나는 해당 프로그램을 사용하여 생성한 것입니다.

현재 많은 수의 MOF/COF 데이터베이스가 존재하며, 여기에는 계산적으로 합성된 hMOF50 데이터베이스, 위상 기반 결정 구성 프로그램(ToBaCCo) MOF, 실험 수준 CoRE(Computational Ready Experiments) MOF51, CoRE COF52 및 CCDC(Cambridge Crystallographic Data Center)가 포함됩니다.

또한, 온라인 통합 데이터베이스 MOFXDB에서 168,000개 이상의 MOF/COF 구조를 이용할 수 있습니다. 연구진은 재료 라이브러리에서 나노다공성 재료를 탐색하는 것 외에도 ToBaCCo.3.0 프로그램을 사용하여 306,773개 이상의 MOF 구조를 생성했습니다.

하류 작업, 즉 MOF에 의한 가스 흡착의 경우 연구자들은 MOFXDB와 같은 온라인 소스에서 데이터를 수집하여 5가지 가스(CO)에 대한 240만 개 이상의 hMOF 데이터 세트를 형성했습니다.₂ , N_2. CH₄ , Kr, Xe) 273/298 K 및 0.01–10 Pa에서, 그리고 두 가지 가스(Ar, N)에 대한 460,000개 이상의 CoRE MOF의 흡착 데이터₂) 77/87 K 및 1–105 Pa에서의 흡착 데이터 세트.

또한 연구진은 RASPA54 소프트웨어를 사용하여 GCMC(Grand Canonical Monte Carlo) 53 시뮬레이션을 수행하여 50,000개의 초기화 사이클과 흡착 용량 샘플에 대한 추가 50,000개의 사이클을 포함하여 추가로 99,000개의 가스 흡착 데이터 세트를 생성했습니다. 흡착 데이터는 7개의 가스 분자(CH)를 고려하여 150~300K 및 1 Pa~3 bar 범위에서 수집되었습니다.₄ 、 주식회사₂ 、 아르、 크르、 크세、 오₂ , 그).

모델 프레임워크: 사전 학습 + 멀티태스크 예측 미세 조정

Uni-MOF 프레임워크에는 3차원 나노다공성 결정에 대한 사전 훈련과 다운스트림 애플리케이션에서의 다중 작업 예측을 위한 미세 조정이 포함되어 있습니다.

모델의 사전 학습 단계에서연구자들은 모델 성능을 개선하기 위해 두 가지 유형의 작업을 구현했습니다.

첫 번째 유형의 작업은 가려진 원자의 유형을 예측하는 것입니다. 즉, 분자 구조의 가려진 부분에 있는 원자의 유형을 식별하고 예측하는 것입니다. 두 번째 유형의 작업은 노이즈 환경에서 3차원 좌표 복구 작업을 수행하는 것입니다. 구체적인 작업은 15%의 원자 좌표에서 [-1Å, +1Å] 범위에 균일한 노이즈를 도입한 다음 이러한 손상된 좌표를 기반으로 공간 위치 인코딩을 계산하는 것입니다.

이 두 가지 유형의 작업은 모델이 데이터 간섭에 저항하는 능력을 향상시키도록 설계되어, 후속 예측 작업에 직면했을 때 더욱 정확한 성능을 제공합니다.

미세 조정 단계에서연구진은 광범위한 흡착 조건에서 MOF와 COF를 포함하는 약 300만 개의 표지된 데이터 포인트를 사용하여 흡착 용량을 정확하게 예측했습니다.

다양한 시스템 간 목표 데이터의 데이터베이스를 통해, 정밀하게 조정된 Uni-MOF는 다양한 가스, 온도, 압력을 포함한 임의의 조건에서 MOF의 다중 시스템 흡착 성능을 예측할 수 있습니다. 따라서 Uni-MOF는 MOF 흡착제의 흡착 특성을 예측하기 위한 통합적이고 사용하기 쉬운 프레임워크입니다.

연구 결과: Uni-MOF 프레임워크는 재료 과학에 광범위하게 적용됩니다.

첫째, 연구진은 Uni-MOF의 예측력을 검증했습니다.

예측 결과에 따르면, 충분한 데이터와 상대적으로 집중된 운영 상태를 가진 데이터베이스(예: hMOF_MOFX_DB 및 CoRE_MOFX_DB)에 적용했을 때 Uni-MOF는 각각 0.98 및 0.92의 R² 값으로 매우 높은 견고성을 보였습니다. 널리 배포된 데이터 세트인 CoRE_MAP에서 Uni-MOF는 0.83의 예측 정확도를 달성했는데, 이는 여전히 뛰어난 예측 정확도를 달성할 수 있음을 의미하며, 우수한 일반화 능력을 보여줍니다.

둘째, 연구진은 Uni-MOF의 예측 결과를 실험적으로 수집된 결과와 비교했습니다.

연구진은 Uni-MOF 프레임워크가 저압 조건에서 예측된 흡착 용량에만 기초하여 고성능 흡착제를 정확하게 선별할 수 있다는 것을 발견했습니다. 저압 조건에서 예측된 값 중 상당수가 실험 값과 크게 다르다는 점이 주목할 만하며, 특히 Mg-dobdc와 MOF-5의 경우 그렇습니다. 하지만 그렇더라도 Uni-MOF 프레임워크는 여전히 많은 소재 중에서 예측 정확도 측면에서 최고 수준을 기록하고 있어 엔지니어링 과제를 해결하는 데 적합합니다.

셋째, 연구진은 Uni-MOF의 예측 능력을 시스템 간 특성에 따라 검증했습니다.

실험 결과에 따르면 Uni-MOF는 알려지지 않은 기체의 흡착 용량을 예측하는 데 효과적이며, 크립톤의 경우 0.85의 높은 예측 정확도(R²)를 달성하고 모든 알려지지 않은 기체의 경우 0.35 이상의 예측 정확도를 달성했습니다. 단일 시스템 작업과 비교했을 때 Uni-MOF 프레임워크는 교차 시스템 데이터 세트에서 뛰어난 성능을 보여주었으며, 알려지지 않은 기체의 흡착 특성을 정확하게 예측할 수 있어 강력한 예측력과 보편성을 입증했습니다.

또한 연구진은 모델의 구조 인식 능력을 평가하기 위해 hMOF-5004238을 예로 들어 물질 구조 내의 원자 간 상호 작용을 분석했습니다.Uni-MOF가 630,000개 이상의 3차원 공간 구성과 그 원자적 연결을 식별하는 데 효과적임을 입증합니다.이는 이 모델의 다재다능함과 폭넓은 적용 가능성을 강조합니다.

요약하자면, Uni-MOF 프레임워크는 MOF 소재를 위한 다재다능한 예측 플랫폼입니다. MOF에 대한 가스 흡착 예측기로서, 다양한 작동 조건에서 가스 흡착을 예측하는 데 높은 정확도를 보이며 재료 과학 분야에서 폭넓게 응용됩니다. 더 중요한 점은 Uni-MOF가 재료 과학 분야에 머신 러닝 기술을 적용하는 데 있어 중요한 획기적인 성과를 달성했다는 것입니다.

발견 - 설계 - 최적화, AI가 재료 과학을 가속화합니다

재료과학은 새로운 재료의 발견, 설계, 제조와 관련된 중요한 학문이며, 다양한 분야에서 매우 중요한 역할을 합니다. 의료부터 에너지 저장, 환경 보호부터 정보 기술까지, 재료 과학의 발전은 오늘날 사회가 직면한 다양한 과제를 해결하는 데 매우 중요합니다.

기술의 끊임없는 발전으로 우리는 재료과학 혁명의 시대에 살고 있습니다. 새로운 소재의 등장은 인류에게 문제를 해결할 수 있는 새로운 방법과 도구를 제공합니다. 우리가 재료의 특성과 구조에 대해 더 잘 이해하게 되면, 더 가볍고, 더 강하고, 에너지 효율이 더 높은 재료를 만들어낼 수 있을 것으로 기대됩니다.

인공지능 기술은 새로운 소재의 발견을 가속화하고, 소재 성능을 향상시키며, 연구 개발 비용을 절감할 수 있습니다. 최근 몇 년 동안 재료 과학 분야에서 뛰어난 응용 잠재력이 입증되었습니다.

* 소재 발견 및 디자인:

인공지능 기술은 효율적인 데이터 마이닝과 패턴 인식을 통해 새로운 소재의 발견과 설계 과정을 가속화할 수 있습니다. 예를 들어, 머신 러닝 알고리즘을 사용하면 다수의 알려진 재료의 구조와 특성을 분석하여 특정 특성을 가진 새로운 재료를 예측할 수 있습니다. 이 방법을 사용하면 재료 선별에 걸리는 시간을 크게 단축하고 테스트 비용을 줄일 수 있습니다.

2023년 11월 말, 구글 딥마인드는 네이처(Nature)지에 재료 과학을 위한 인공지능 강화 학습 모델인 Graph Networks for Materials Exploration(GNoME)을 개발했다고 발표한 논문을 발표했습니다. 이 모델과 고처리량 원리 계산을 통해 38만 개 이상의 열역학적으로 안정적인 결정질 물질을 찾아냈는데, 이는 "인간 과학자들이 축적한 지식이 약 800년에 달하는 것"에 해당하며, 새로운 물질을 발견하는 연구 속도를 크게 가속화했습니다.

(자세한 보고서는 여기를 클릭하세요: DeepMind가 딥러닝을 사용하여 220만 개의 새로운 결정을 예측하는 GNoME을 출시했습니다)

* 재료 성능 예측:

인공지능 기술은 재료의 성능과 동작을 예측하는 효율적인 예측 모델을 구축할 수 있습니다. 이러한 모델은 방대한 양의 실험 데이터나 시뮬레이션 결과를 기반으로 훈련되어 재료 특성을 정확하게 예측할 수 있습니다. 예를 들어, 머신 러닝 알고리즘을 사용하면 재료의 기계적 특성, 열적 특성, 전자적 구조를 예측하여 재료 설계 및 응용에 중요한 참고 자료를 제공할 수 있습니다.

* 소재 최적화 및 디자인:

인공지능 기술은 재료의 구조와 특성을 지능적으로 최적화함으로써 재료의 성능과 안정성을 향상시킬 수 있습니다. 예를 들어, 강화 학습 알고리즘을 사용하면 재료 준비 과정에서 자동 최적화를 달성하여 재료 성능을 극대화할 수 있습니다.

* 재료 공정 제어 및 모니터링:

인공지능 기술을 활용하면 재료 준비 과정을 최적화하고, 재료 생산 과정에 대한 지능적 모니터링 및 제어를 실현할 수 있습니다. 예를 들어, 머신 러닝 알고리즘을 사용하면 재료 준비 과정에서 다양한 매개변수와 조건을 분석하고, 프로세스 흐름을 최적화하고, 생산 효율성과 재료 품질을 개선할 수 있습니다. 동시에 인공지능 기술은 자재 생산 과정에 대한 실시간 모니터링과 조기 경보를 실현하여 잠재적인 문제를 사전에 발견하고 해결하고 생산 위험을 줄이는 데 도움이 됩니다.

재료과학 분야에서 인공지능 기술을 적용함으로써 일련의 중요한 진전이 이루어졌으며, 재료의 발견, 설계, 최적화 및 제조를 위한 새로운 아이디어와 방법을 제공했습니다. 미래에는 과학자들이 AI 기술을 사용하여 재료 성능을 보다 정확하게 예측하고, 분자 구조를 시뮬레이션하고, 재료 설계를 최적화하고, 재료 특성을 탐구하는 등의 작업을 수행할 수 있으며, 이를 통해 재료 과학 분야의 진보와 혁신을 지속적으로 촉진할 수 있습니다.

참고문헌:
1.https://www.nature.com/articles/s41467-024-46276-x#Sec11
2.https://www.sohu.com/a/753459278_661314
3.https://www.tsinghua.edu.cn/info/1175/110086.htm