Sartaaj Takrim Khan Seyed Mohamad Moosavi

초록

매년 연구자들은 고유한 구조와 특성을 가진 수십만 개의 새로운 물질을 개발한다. 예를 들어, 지난해에만 5,000개 이상의 새로운 금속 유기 프레임워크(MOFs)가 보고되었다. 이러한 물질들은 종종 특정 응용 분야를 위해 합성되지만, 예상치 못한 다른 분야에서도 활용 가능할 수 있다. 그러나 새로 개발된 물질을 그 최적의 응용 분야와 연결하는 것은 여전히 큰 도전 과제이다. 본 연구에서는 MOF가 합성된 직후 즉시 확보할 수 있는 정보—즉, 분말 X선 회절 패턴(PXRD)과 합성에 사용된 화학 물질—을 활용하여, 해당 MOF의 잠재적 물리화학적 특성과 응용 가능성을 예측하는 다중 모달(multimodal) 접근법을 제시한다. MOF 데이터베이스에서 접근 가능한 결정 구조를 기반으로 모델을 자기지도 학습(self-supervised pretraining)으로 사전 훈련함으로써, 소규모 데이터 조건에서도 기공 구조, 화학적 의존성, 양자화학적 특성 등 다양한 물성에 대해 정확한 예측이 가능함을 입증하였다. 또한, 실험 측정의 불완전성에 대비한 본 방법의 강건성(robustness)을 평가하였다. 이 접근법을 활용하여 MOF의 합성에서 응용까지의 맵을 구축함으로써, 다양한 응용 분야에 최적화된 물질 계열에 대한 통찰을 제공한다. 마지막으로, 추천 시스템을 모델에 통합함으로써, 원래 보고된 응용 분야와는 다른 분야에서 유망한 MOF를 식별하였다. 본 연구에서 개발한 도구는 오픈소스 코드 및 웹 애플리케이션 형태로 공개하여, 새로운 물질과 잠재적 산업 응용 간의 매칭을 가속화하고자 한다.