AAAI 2025에 선정되었습니다! 홍콩 이공대학 연구팀은 그래프 변환기를 기반으로 유기물질 분자의 광전자적 특성을 정확하게 예측합니다.

1966년, 일본 도호쿠 대학 연구실에서 나온 일련의 비정상적인 데이터가 에너지의 역사를 다시 썼습니다. 연구원들은 비올로겐 염료 결정의 얇은 필름을 햇빛 아래에 두었을 때 전류 검출기에서 나오는 신호가 갑자기 증가하는 것을 보고 충격을 받았습니다.유기 물질은 실리콘 결정에 의존하지 않고도 광전류를 생성할 수 있습니다!일본 응용물리학 저널에 게재된 이 획기적인 발견은 깊은 연못에 돌을 던진 것과 같아 반세기 동안 지속된 과학적 파장을 일으켰습니다.

그러나 유기 태양 전지(OSC)의 여정은 예상보다 훨씬 더 험난합니다. 그 후 40년 동안 연구자들은 "효율성의 저주"에 빠졌습니다. 유기 물질에서 엑시톤의 확산 거리는 10나노미터 미만이었고, 생성된 전자-홀 쌍은 전극에 도달하기 전에 소멸되었습니다. 전환점은 2005년 캘리포니아 대학 로스앤젤레스 캠퍼스의 양양 팀이 식물의 광합성 시스템에서 영감을 얻었을 때 찾아왔습니다. 그들은 엽록체의 광계 II와 I 사이의 분업과 협력을 모방하여 P3HT와 PCBM이라는 두 가지 재료를 사용하여 나노 규모의 침투형 네트워크를 구축했습니다.이 "대량 헤테로접합" 구조는 엑시톤 분리 효율을 60%로 높여서, 장치 효율을 역사적으로 획기적인 5%로 끌어올렸습니다.관련 결과는 Science지 표지에 게재되었습니다.

그 이후로 유기 태양 전지의 효율성 한계는 계속해서 깨졌습니다. 그러나 유기 태양 전지가 20% 효율 한계에 접근함에 따라 기존의 "시행착오" 연구 개발 모델은 병목 현상에 직면하게 되었습니다. 새로운 분자가 등장할 때마다 수조 개의 구조적 조합이 존재하는데, 이로 인해 계산재료과학이 크게 발전하게 되었습니다.

홍콩 이공대학의 한 팀이 최근 발표한 RingFormer 프레임워크는 분자 설계에 있어서 인지 혁명을 일으키고 있습니다. 이 방법은 원자-화학 고리의 계층적 그래프 변환기 아키텍처를 구성하고 로컬 메시지 전달과 글로벌 어텐션 메커니즘을 결합하여 분자의 광전자적 특성을 정확하게 예측합니다. 하버드 대학의 청정 에너지 프로젝트 데이터베이스(CEPDB) 테스트 세트에서, 기존 방식과 비교했을 때 성능이 22.77% 향상되었는데, 이는 신소재 연구 개발 주기를 수 년에서 수 주로 단축하는 것과 같습니다. 이는 유기 태양 전지 연구가 공식적으로 "계산 기반 실험"의 새로운 시대로 접어들었음을 의미합니다.

"RingFormer: 유기 태양 전지 특성 예측을 위한 링 강화 그래프 변환기"라는 제목의 관련 결과는 AI 분야 최고 학술대회인 AAAI 2025에 선정되었습니다.

논문 링크:
https://doi.org/10.48550/arXiv.2412.09030

연구에 사용된 관련 데이터 세트의 다운로드 주소:

https://hyper.ai/cn/datasets/37721

GNN은 오랜 전통의 R&D 모델을 변화시킵니다.

글로벌 에너지 전환에 따라 재생 에너지에 대한 수요가 증가함에 따라, 유기 태양 전지(OSC)는 뛰어난 광전 변환 특성으로 인해 연구의 주요 분야가 되었습니다. 이러한 장치는 유기 소분자 반도체 소재를 기반으로 하며, 공액 구조에서 전자 공여체와 수용체 간의 상호 작용을 통해 빛 에너지를 전기 에너지로 변환합니다. 효율성은 분자 구조의 복잡성과 밀접한 관련이 있습니다. 그러나 전통적인 R&D 모델은 많은 시행착오를 거치는 실험과 긴 합성 과정에 의존합니다.연구개발 주기는 보통 3~5년이 걸립니다.이로 인해 재료 혁신의 속도가 심각하게 제한됩니다.

연구자들은 잠재적인 OSC 분자를 보다 효율적으로 스크리닝하기 위해 기계 학습 방법을 사용하여 OSC의 성능을 예측하기 시작했습니다. 현재 지문 기반 방법이 널리 사용되고 있는데, 이는 일반적으로 수동으로 설계된 분자 지문(MACS 및 ECFP 등)을 분자적 특징으로 사용하고 이를 랜덤 포레스트 및 지원 벡터 머신과 같은 기존 머신 러닝 모델에 입력합니다. 하지만 이러한 지문은 분자 구조를 단순화하여 표현한 것입니다.복잡한 분자 정보와 상호 작용을 무시하고,이는 특히 복잡한 구조를 가진 OSC 분자에서 두드러지게 나타납니다.

그래프 신경망(GNN)은 한때 이러한 딜레마에 희망을 가져다주었습니다. 분자를 원자 노드와 화학 결합 가장자리의 위상 그래프로 추상화하고 딥 러닝을 통해 구조적 특징을 포착합니다. 그러나 기존 모델은 OSC 분자를 분석하는 데 있어 두 가지 과제에 직면합니다.한편으로는,GNN의 "원자 근시안"으로 인해 여러 벤젠 고리에 걸친 장거리 전자 결합 효과를 포착하기 어렵습니다.반면에,고리 시스템 간의 연결 패턴을 특성화하지 못하면 주요 구조적 차이점(예: 선형 연결성과 별형 토폴로지가 엑시톤 분리에 미치는 영향)을 구별하는 것이 불가능합니다.

이러한 과제에 대응하여,홍콩 이공대학 연구팀은 혁신적인 프레임워크인 RingFormer를 제안했습니다.이는 OSC 분자의 고리 시스템을 포착하는 최초의 그래프 변환기 프레임워크입니다. 이 프레임워크는 기존 원자 수준 모델링의 단일 관점을 깨고 원자 고리 이중 수준 기능 융합 시스템을 구성합니다.

이 방법의 핵심은 동적 상호작용 메커니즘을 확립하는 것입니다. 즉, 원자 수준에서 화학 결합 및 전하 분포와 같은 미시적 특징에 대한 민감성을 유지하면서, 응축된 고리의 공유된 모서리 및 응축되지 않은 고리의 공간 배열과 같은 거시적 구조적 특징을 정확하게 분석하기 위해 고리 수준에서 교차 고리 주의 네트워크를 구축하는 것입니다.

링 간 연결 행렬과 링 내부 원자 가중치 할당 알고리즘을 도입함으로써, 모델은 주요 링 시스템과 그 상호 작용 패턴을 자율적으로 식별할 수 있습니다. 실험 결과는 다음과 같습니다.이 2단계 모델링 전략은 전력 변환 효율(PCE) 예측 정확도를 92%로 향상시킵니다.이 화합물은 5개 이상의 고리를 포함하는 복잡한 시스템을 가진 분자에서 더 강력한 특성 분석 능력을 보여줍니다. 이 획기적인 기술은 OSC 소재 설계에 새로운 패러다임을 제공할 뿐만 아니라, 복잡한 분자 시스템의 머신 러닝 모델링에 새로운 길을 열어줍니다.

RingFormer: 원자 및 링 수준에서 OSC의 분자 구조 표현

이 방법을 더 잘 평가하려면연구진은 5개의 OSC 분자 데이터 세트를 수집했습니다.여기에는 밀도 함수 이론(DFT)을 기반으로 생성된 CEPDB 데이터 세트는 물론, 다양한 유형의 OSC 분자로 구성된 HOPV, PFD, NFA 및 PD 데이터 세트가 포함됩니다. 이러한 데이터 세트는 6:2:2의 비율로 훈련 세트, 검증 세트, 테스트 세트로 나뉩니다.

연구에 사용된 관련 데이터 세트의 다운로드 주소:

https://hyper.ai/cn/datasets/37721

OSC 분자의 원자 및 고리 수준의 구조적 특징을 정확하게 포착하기 위해 이 연구에서는 RingFormer 프레임워크를 제안했습니다.먼저, 다단계 OSC 그래프를 구성한 다음, 이 다단계 그래프를 RingFormer 계층을 통해 전체적으로 인코딩하여 성능을 예측합니다.아래 그림에서 볼 수 있듯이, 이 다단계 OSC 다이어그램에는 원자 수준, 링 수준 및 수준 간 다이어그램이 포함되어 있습니다.

원자 수준 다이어그램은 OSC 분자의 원자 결합 구조를 자세히 설명하는 반면, 고리 수준 다이어그램은 복잡한 고리 시스템을 포착하기 위해 고리와 그 연결에 초점을 맞춥니다. 교차 수준 그래프는 고리와 원자 사이의 관계를 모델링하여 분자의 계층 구조를 완벽하게 표현하는 역할을 합니다. 이 세 가지 수준을 통합하면 OSC의 분자 구조에 대한 포괄적인 설명이 제공되어 특성을 더 정확하게 예측할 수 있습니다.

다음,RingFormer 프레임워크는 로컬 메시지 전달과 글로벌 어텐션 메커니즘을 결합합니다.각 레벨의 고유한 구조적 패턴을 파악하고 표현력 있는 그래프 표현을 학습합니다. 원자 수준 그래프에서 RingFormer 계층은 메시지 전달 GNN을 활용하여 로컬 구조적 특징을 원자 노드 표현으로 인코딩합니다.

링 수준 그래프의 경우, RingFormer 레이어는 링 시스템의 글로벌 패턴, 특히 링 간의 연결을 포착하도록 특별히 설계된 혁신적인 교차 주의 메커니즘을 도입합니다. 또한, RingFormer 계층은 교차 수준 그래프에서 메시지 전달을 통해 링 노드와 원자 노드 간의 상호작용을 용이하게 합니다. 각 RingFormer 계층의 끝에서 계층적 융합 전략이 구현되어 서로 다른 수준의 정보가 서로 보완될 수 있도록 합니다.

마지막으로, 여러 겹의 스택을 거친 후, RingFormer는 원자와 링의 노드 표현을 집계하여 OSC의 분자 구조를 포괄적으로 인코딩한 그래프 표현을 형성하여 성능 예측을 위한 견고한 기반을 제공합니다.

다음으로, 연구진은 RingFormer가 OSC 성능 예측에 얼마나 효과적인지 평가하기 위해 5개의 OSC 분자 데이터세트를 기반으로 한 11개의 기준 모델과 비교했습니다. 실험 결과는 다음과 같습니다.RingFormer는 기준 모델보다 지속적으로 우수한 성과를 보입니다.특히, 대규모 CEPDB 데이터 세트에서 RingFormer는 가장 가까운 경쟁자에 비해 22.77%의 상당한 상대적 개선을 달성했습니다.

아래 표에서 볼 수 있듯이 예측 전력 변환 효율(PCE) 측면에서RingFormer는 거의 모든 데이터세트에서 가장 좋은 성능을 보이며, PFD 데이터세트에서만 두 번째로 높은 순위를 기록했습니다.특히 평균 링 수가 가장 많은 NFA 데이터 세트에서 RingFormer는 지문 기반 방법인 ECFP보다 4.96%만큼 우수한 성능을 보였습니다. 더욱이 더 크고 복잡한 OSC 분자를 처리할 때에도 RingFormer는 이러한 데이터세트에서 여전히 좋은 성능을 보이며, 4개 데이터세트 중 3개에서 가장 높은 성능을 달성했습니다.

연구진은 CEPDB 데이터 세트를 사용하여 멀티태스크 학습에서 RingFormer의 성능을 평가했습니다. 결과는 다음과 같습니다RingFormer는 6가지 목표 성능 지표 모두에서 다른 경쟁 모델보다 지속적으로 우수한 성과를 보입니다.그리고 종종 상당한 이점이 있습니다. 또한 메시지 전달과 글로벌 어텐션 메커니즘의 융합으로 인해 GPS는 모든 대상 성능에서 RingFormer에 이어 두 번째로 좋은 성능을 보입니다.이는 OSC 분자에서 국소적, 전반적인 구조적 특징을 모두 포착하는 것이 중요하다는 것을 더욱 확인시켜 줍니다.

마지막으로 연구진은 서로 다른 개수의 고리를 갖는 OSC 분자를 처리할 때 RingFormer의 성능도 평가했습니다. 분자 내 고리의 수가 증가함에 따라 RingFormer의 성능 향상도 그에 따라 증가합니다.이는 RingFormer의 우수한 성능과 링 시스템의 복잡성 사이에 명확한 긍정적 상관관계가 있음을 나타냅니다.

또한, 이 연구에서는 UMAP 기술을 사용하여 CEPDB 테스트 세트에서 OSC 분자의 그래프 표현에 대한 시각적 분석도 수행했습니다. GPS에서 생성된 임베딩과 비교했을 때,RingFormer가 생성한 임베딩은 OSC 분자의 링 수에 따라 명확하게 구분할 수 있습니다.이러한 관찰 결과는 RingFormer가 링 시스템의 복잡한 구조를 포착하는 놀라운 능력을 가지고 있음을 더욱 확인시켜 줍니다.

AI 기술은 산업의 미래를 재편하고 있으며 OSC를 뒷받침하는 중국의 힘은 무시할 수 없습니다.

글로벌 에너지 전환의 물결 속에서 유기 태양 전지(OSC)는 가벼운 무게, 유연성, 낮은 비용 등의 특징으로 인해 점차 실험실에서 산업화의 선두로 옮겨가고 있으며, 유기 태양 전지 분야에서 중국 과학자들의 연구 진행 상황은 눈길을 끌고 있습니다.

2015년 중국과학원 후젠후이 연구팀은 '고분자-소분자 시너지 효과' 이론을 제시하고, 나비 모양의 3차원 구조로 분자의 정밀한 결합을 가능하게 하는 비풀러렌 수용체 ITIC를 개발했습니다.이 팀의 제품은 고도 4,200m의 청해 고원의 극한 기후 조건에서도 82%의 효율성을 유지할 수 있어, 고산 지역에서 세계 최초로 검증된 사례가 되었습니다.

2025년까지 쑤저우대학 리야오원 연구팀은 "순차적 결정화 전략"을 통해 활성층의 분자 배열 기울기를 조절하여 20.82%의 인증된 효율을 달성하고, 후막소자 산업화의 병목 현상을 극복했습니다.400나노미터 두께의 필름의 효율은 17.93%에 도달했습니다.이는 롤투롤 인쇄 기술 개발의 토대를 마련했습니다.

동시에, 닝보 재료 연구소의 Ge Ziyi 팀은 질서 있는 분자 배열을 통해 퀴녹살린 수용체 SMA를 설계했습니다.강성과 유연 OSC의 효율은 각각 20.22%와 18.42%로 증가했습니다.96%는 2,000번의 굽힘에도 성능이 유지되어 웨어러블 에너지 기기에 대한 새로운 표준을 제시했습니다.

AI와 유기 태양 전지 연구의 결합은 이미 2023년 초에 등장했습니다. 쑤저우 대학 기능성 나노소재 및 연성 물질 연구소의 리유융 교수 팀은 위안젠위 교수 팀과 협력하여 기계 학습을 사용하여 유기 태양 전지의 고처리량 스크리닝을 달성했습니다. 그들은 DFT 계산을 통해 유기 분자의 전자 구조 특성에 대한 심층 연구를 수행했으며, 빅데이터 기술을 사용하여 기능적 소재 데이터베이스를 구축하여 머신 러닝 모델의 학습을 위한 견고한 기반을 제공했습니다.이 연구는 유기 광전자 소재 스크리닝의 효율성을 향상시킬 뿐만 아니라 계산 비용을 절감합니다.또한 광전자 소자의 설계 및 최적화에 대한 강력한 지원을 제공합니다.

*논문 제목:

딥러닝과 앙상블 학습을 활용한 유기 태양 전지의 효율적인 스크리닝 프레임워크
*논문 링크:

https://www.nature.com/articles/s41524-023-01155-9

2024년, 일리노이 대학교와 토론토 대학교의 연구팀은 AI를 설명 가능한 화학 지식 엔진으로 전환하는 획기적인 "폐쇄 루프 전송(CLT)" 방법을 제안했습니다. 이 방법은 물리적 특징 선택과 지도 학습을 결합합니다.5차례의 폐쇄 루프 실험을 통해 30개의 새로운 분자가 선별되었는데, 여기에는 광 안정성이 5배 증가한 광 수확 분자도 포함되었습니다.고에너지 삼중항 상태 밀도(TDOS)와 안정성 사이의 강력한 상관관계가 밝혀졌으며, 이는 광분해 문제에 대한 보편적 설계 원리를 제공합니다.

* 논문 제목:

폐쇄 루프 전송을 통해 인공 지능이 화학적 지식을 생성할 수 있습니다.
* 논문 링크:

https://doi.org/10.1038/s41586-024-07892-1

또한 2024년에는 독일 헬름홀츠 연구소의 Christoph J. Brabec과 Wu Jianchang, 샤먼 대학교의 Wang Luyao, 독일 카를스루에 공과대학의 Pascal Friederich, 한국 울산과학기술원의 Sang Il Seok이 공동으로 폐쇄 루프 자동화 워크플로를 개발했습니다. 이 과정은 머신러닝과 실험을 결합한 것입니다.특정 장치 요구 사항에 맞춰 분자 설계 규칙을 빠르게 생성하는 기능이는 유기 태양 전지와 같은 차세대 고성능 광전자 소자의 개발을 위한 기반을 마련합니다.

* 논문 제목:

역설계 워크플로우를 통해 페로브스카이트 태양 전지에 적합한 홀 수송 소재 발견
* 논문 링크:

https://doi.org/10.1126/science.ads0901

AI 기술이 전 세계 유기 태양 전지 연구에서 점점 더 중요한 역할을 하고 있는 것을 알 수 있습니다. 이는 새로운 소재의 발견과 성능 최적화를 가속화할 뿐만 아니라, 오랫동안 해결되지 않았던 과학적 문제에 대한 새로운 관점과 해결책을 제공합니다. 기술의 지속적인 성숙과 산업화의 가속화로 중국은 글로벌 유기 태양 전지 기술 개발을 주도하는 핵심 엔진이 되었으며, 미래 에너지 혁명에 더 많은 중국적 지혜와 솔루션을 기여할 것으로 기대됩니다.