보도자료
배포일	2025년 1월 10일(금) 08:00			엠바고	온라인 : 2025년1월12일(일) 12:00 지 면 : 2025년1월13일(월) 조간
문 의	연구부서	화학플랫폼연구본부 나경석 선임연구원(042-860-7976, 010-9928-0187)
	홍보부서	대외협력실 양경욱 실장(042-860-7998, 010-5564-1700) 대외협력실 강가람 선임행정원(042-860-7815, 010-4699-2639)

소재 합성에 필요한 재료 물질? 인공지능이 알려준다. - 2만 건의 논문 인공지능 학습하여 목적 물질(결과물)의 화학식만으로 합성에 필요한 전구체(재료 물질) 예측 - 인공지능 분야 최고 권위의 학회 NeurIPS(뉴립스)에 전구체 물질 예측 인공지능 논문 발표 - 기존에 확보한 정방향 합성 예측 기술과 결합해, 소재 합성 전 과정에 대한 자동화 기술 상용화 기대

□ 국내 연구진이 특정한 소재를 만들려면 어떤 최종 재료 물질이 필요한지 자동으로 알려주는 기술을 개발했다.

◯ 한국화학연구원(원장 이영국) 나경석 선임과 한국과학기술원(KAIST, 총장 이광형) 박찬영 교수 연구팀은 공동연구를 통해 목적 물질의 화학식 정보만으로 합성에 필요한 최종 재료 물질(전구체 물질*)을 예측하는 인공지능 방법론을 개발하였다.

* 전구체 물질 : 목표 물질을 만드는 과정에서 필요한 모든 최종 재료 물질

□ 최근 배터리, 반도체 등 다양한 산업 분야에서 첨단 소재는 매우 중요하다. 원하는 소재를 합성하려면 중간 물질을 먼저 찾아야 하는데, 많은 비용이 드는 반복적인 실험 없이 인공지능(AI)을 활용해 찾으려는 수요가 높다.

◯ 하지만 기존의 AI 기반 기술은 신약 등 유기 소재에 집중된 반면, 무기 소재에 대한 연구는 상대적으로 부족했다. 금속 등 무기 화합물은 복잡한 구조와 다양한 원소로 인해 합성 경로를 찾기 어렵기 때문이다.

□ 연구팀은 X라는 목적 물질의 화학식만으로, 이를 만들기 위해 필요한 전구체 물질 A, B, C, …등을 역방향으로 예측해내는 새로운 인공지능 방법을 개발했다.

◯ 화학연은 앞서 복잡한 코딩이나 서버 구축 과정 없이 물질 합성에 필요한 정보들을 인공지능으로 예측해주는 ‘ChemAI’ 플랫폼을 개발해 2022년 기술이전 한 바 있다.

◯ 이번 기술은 기존 예측 기술의 발전을 가로막았던 무기 소재의 복잡한 3차원 구조, 즉 원자 구조나 결합 정보 등을 요구하지 않는다. 대신 어떤 원소들이 얼마나 포함되어 있는지 종류와 비율을 살핀다. 그리고 이런 원소들과 목적 물질 간 열역학적 형성 에너지 차이를 계산해, 합성 반응이 더 쉽게 일어나는 전구체를 찾아낸다.

◯ 또한 전구체 물질 예측의 정확도를 높이기 위해 화학 데이터에 특화된 심층 인공신경망을 구성했다. 심층 인공신경망은 약 2만 건의 논문에 보고된 소재 합성 과정 및 전구체 물질에 대한 정보를 모두 학습했다.

◯ 이후 AI 학습과정에서 보여준 적 없는 약 2,800건의 물질 합성 실험을 대상으로 합성에 필요한 전구체 물질을 예측한 결과, 대략 10번의 시도 중 8번 이상 성공했다. 또한 그래픽 처리장치(GPU) 가속을 통해 약 100분의 1초 이내의 매우 짧은 시간 만에 전구체 물질을 예측했다.

□ 연구팀은 앞으로 화학연 연구사업을 통해 학습 데이터셋을 확장하여 전구체 물질 예측 정확도를 90% 이상 높인 후, 2026년경 웹 기반 공공 서비스 구축을 계획하고 있다. 또한 추가 연구를 통해 목적 물질의 화학식을 제공하면 전구체 물질 뿐만 아니라, 소재 합성 과정까지 모두 예측해주는 “인공지능 기반 소재 역합성 완전 자동화”도 기대 중이다.

◯ 연구진은 “기존의 전구체 물질 예측 AI는 특정 물질 종류에만 적용이 가능했는데, 이번 연구를 통해 목적 물질의 종류에 상관없이 범용적으로 전구체 물질을 예측할 수 있게 된 점이 차별성”이라고 말했다. 또한 화학연 이영국 원장은 “신소재 개발이 필요한 다양한 산업 분야의 연구 효율 향상에 기여할 것으로 기대한다.”라고 말했다.

◯ 이번 논문은 2024년 12월 인공지능 분야 최고 권위의 학회인 신경정보처리시스템학회(NeurIPS, 뉴립스)에 발표되었다. 화학연 나경석 선임연구원과 KAIST 박찬영 교수가 교신저자로, KAIST 노희웅 연구원이 1저자로 참여했다. 이번 연구는 화학연 기본사업, 과학기술정보통신부 한국연구재단 정보융합기술단 및 글로벌 기초연구실사업 (RS-2024- 00406985)의 지원을 받아 수행했다.

※ 논문 주요 사항

2024.12.16. 논문 (온라인 게재 10월, 출판 12월)

◦학회명 : NeurIPS(저널이 아닌 학회, 저널 IF 정보 없음) ◦논문명(영문):Retrieval-Retro: Retrieval-based Inorganic Retrosynthesis with Expert Knowledge ◦논문명(국문):역합성-정보검색: 전문가 지식을 활용한 정보검색 기반 무기물 역합성 ◦저자 정보 : 나경석(교신저자, 화학연), 박찬영(교신저자, KAIST), 노희웅(1저자, KAIST), 이남경(2저자, KAIST) ◦DOI : https://doi.org/10.48550/arXiv.2410.21341

연 구 결 과 문 답

이번 성과가 기존과 다른 점은? (기존 기술과 차이 비교)		(기존) - 기존의 전구체 물질 탐색은 화학 및 소재 전문가의 직관을 바탕으로 전문가가 직접 유효한 전구체 물질을 탐색하였기 때문에 많은 비용과 시간이 소모되는 문제가 있음 물질 합성의 메커니즘은 물질의 종류마다 다르기 때문에 기존의 방식은 물질의 종류마다 각 분야의 전문가를 활용해야함 산업계에서 각 물질 응용마다 전문가를 확보하고 많은 비용과 시간을 투입하여 전구체 물질을 탐색하는 것은 현실적으로 불가능하기 때문에 전구체 탐색은 신소재 개발의 가장 큰 어려움 중 하나로 남아있음 (개선) 목적 물질의 화학식만으로 물질 합성에 필요한 전구체 물질을 자동으로 탐색 및 제안하는 인공지능을 개발 약 2만 건의 소재 분야 논문을 학습하여 80% 이상의 정확도*로 약 10 밀리세컨드 이내에 필요한 전구체 물질을 예측 * 80% 정확도 : 2,800개의 소재 중, 약 2,240개의 소재에 대해 전구체 물질 예측 성공 (방법 : 기존 논문에서 발표된 전구체-결과물 활용) * 현재 세계 최고 기술로서, 모든 소재 응용에 대해 범용적으로 적용할 수 있는 인공지능 기술은 아직까지 없었음 일반화된 물질 합성 메커니즘을 학습할 수 있는 인공지능을 개발하여 물질의 종류에 상관없이 필요한 전구체 물질을 예측
어디에 쓸 수 있나? (활용 분야 및 제품)		- 신소재 개발이 필요한 다양한 산업 분야 - 목적 물질을 합성하기 위해 필요한 전구체 물질을 탐색하는 소재 역설계 작업
실용화를 위한 과제는?		- 기존 2만 건의 논문으로 구성된 학습 데이터셋을 확장*하여 전구체 물질 예측 정확도를 90% 이상 향상 * 확장 방법(1) : 데이터기반연구센터의 기본사업으로 소재 데이터 플랫폼을 구축하고 있으며, 수집한 소재 데이터를 인공지능 모델의 학습 데이터로 활용하여 더 정확한 인공지능을 구축 * 확장 방법(2) : 카이스트와의 협업 연구를 강화하여 전구체 물질뿐만 아니라 합성 과정까지 예측하는 소재 역합성 완전 자동화 인공지능을 개발 - 화학연에서 개발한 소재 합성 공정 예측 인공지능*을 결합하여 전구체 물질부터 합성 공정까지를 모두 예측하는 “인공지능 기반 소재 역합성 완전 자동화” 플랫폼 및 소프트웨어 개발 * 정방향 합성 공정 예측(1) : 2021년 ‘ChemAI’ 개발 후 2022년 버추얼랩 기업에 기술이전 * 정방향 합성 공정 예측(2) : 목적 물질과 전구체 물질의 화학식으로부터 합성 과정을 예측하는 인공지능을 개발하여 2023년에 Chemistry of Materials 저널에 발표 * 이번 연구 개선 시, 정방향과 역방향 합성 예측 모두 가능
실용화 가능 시기는?		- 현재는 연구실 규모의 연구개발 초기 단계로서, 2026년 이후 실용화 예상 - 2026년 이후에는 개발된 인공지능을 웹 기반 플랫폼의 형태로 제공하여 공공 서비스가 가능할 것으로 예상
산업적, 경제적 파급효과는?		- 신소재 개발이 필요한 모든 산업 분야에 광범위하게 활용 가능 - 웹 기반 플랫폼 형태의 공공서비스를 제공

(참고) 연구 내용 관련 상세 참고 자료

□ 관련 기술 분야 용어 설명

◯ 전구체 (Precursor) : 화학 반응을 통해 최종 목적 물질을 만드는 과정에서 필요한 모든 중간 원료 물질. 예를 들어 이차전지 배터리의 양극재로 쓰이는 리튬 인산철(LiFePO4)은 우선 3가지 전구체 물질들, 즉 탄산리튬(Li2CO3), 산화철(Fe2O3), 인산(H3PO4)이 필요하다.

□ 글로벌/국내 동향, 시장 규모 등

◯ AI 기반 합성 기술 관련 세계 시장 규모 : AI를 활용한 합성 예측 기술의 세계 시장 규모는 2023년 약 14억 달러로 평가되며, 연평균 성장률(CAGR) 43.8%로 성장하여 2029년 약 140억 달러에 이를 것으로 예측되고 있다.* 이러한 성장 전망은 AI 기술의 발전과 소재 과학 분야에서의 활용 증가에 기인하며, 특히 신약 개발과 화학 산업에서의 효율성 향상 및 혁신을 촉진할 것으로 기대되고 있다.

* (출처) Global Information(2024.4), 컴퓨터 지원 합성 플래닝용 AI 시장 분석 및 전망 https://www.giikorea.co.kr/report/tsci1460684-ai-computer-aided-synthesis-planning-market-global.html

□ 기존 기술 한계 및 개발 현황 등

◯ 인공지능 기반 전구체 물질 탐색은 화학 및 AI 분야에서 활발히 연구되고 있다. 최근에는 구글 및 마이크로소프트와 같은 글로벌 IT 기업들도 AI 기반 소재 과학 연구팀을 신설하여 AI 기반 소재 과학에 많은 비용을 투여하고 있다.

◯ 그러나 기존의 AI 방법론들은 특정 소재 응용 분야 또는 특정 전구체 물질 집합에 대해서만 적용 가능했기 때문에 소재 과학 연구에 범용적으로 활용하는 것이 불가능했다.

◯ 2023년도에 화학연에서는 소재 합성 실험의 효율화를 위해 목적 물질을 만들기 위한 합성 공정 예측 AI를 개발하였다. 그러나 기존에 개발된 합성 공정 예측 AI는 전구체 물질을 알고 있는 상황에서만 합성 공정을 예측할 수 있다는 한계점이 있었다.

□ 개발 기술 상세 설명

◯ 공동 연구팀은 목적 물질의 화학식만으로 목적 물질의 합성에 필요한 전구체 물질을 예측하는 AI 방법론을 개발했다. 개발된 AI 모델은 약 2만 건의 소재 합성 관련 논문을 학습하였으며, 약 2,800건의 소재 합성 문제에 대해 약 80%의 정확도로 전구체 물질을 예측했다.

◯ 우선 연구팀은 목적 물질의 화학식에 포함된 물리 및 화학적 정보를 효과적으로 추출하기 위해 그래프 기반 화학식 표현 방법을 활용했다. 기존의 화학식 표현에서는 목적 물질이 단순한 원소의 나열로 표현되었다면, 연구팀이 이용한 그래프 기반 표현 방법은 목적 물질에 대한 원소 구성과 원소 간의 상호작용까지 표현할 수 있는 화학식 표현 방법이다.

◯ 개발된 AI 방법론은 그래프 기반 화학식 표현 방법에 포함된 정보를 정확히 학습하기 위해 그래프 인공신경망 (graph neural network)을 이용했다. 그래프 인공신경망은 수리적 그래프의 형태로 입력되는 데이터의 속성과 구조 모두를 처리할 수 있는 최신 딥 러닝 방법론이다.

◯ 목적 물질과 전구체 후보 물질들의 열역학적 에너지를 모두 고려하여 소재 합성 과정에서 효과적으로 사용될 수 있는 전구체 물질을 찾도록 AI 방법론을 고안했다.

◯ 전구체 물질 예측 과정에서는 목적 물질과 후보 전구체 물질의 각 요소들에 대한 소재 합성 측면에서의 상호 관계를 AI가 계산할 수 있도록 방법론을 설계했다. 이를 통해 개발된 AI 방법론은 목적 물질의 합성에 중요하게 관여하는 전구체 물질을 스스로 학습하였다.

◯ 연구팀은 AI 모델의 학습에 사용되지 않았던 약 2,800건의 소재 합성 데이터를 AI 모델의 예측 성능 평가에 활용했다. 연구팀은 AI 모델의 예측 정확도를 평가하기 위해 Top-3 정확도를 측정했으며, 개발된 AI 모델은 83.62% (표준편차: 0.77)의 Top-3 정확도를 달성했다.

* Top-3 정확도: 예측 모델이 3개 예측 결과를 출력하고, 3개의 예측 결과 중에 정답이 있으면 맞은 것으로 계산하는 정확도 측정 지표

◯ 2023년도에 연구팀은 목적 물질과 전구체 물질의 화학식이 주어지면 소재 합성 공정을 예측하는 AI 방법론을 개발하여 Chemistry of Materials 저널에 게재한 바 있었다. 향후 연구에서는 이번에 개발한 전구체 물질 예측 AI 방법론과 2023년 발표한 합성 공정 예측 AI를 결합하여 소재 합성 전 과정에 대한 AI 기반 자동화 연구를 수행할 계획이다.

연구 관련 이미지 및 사진

□ [그림 1] 연구팀이 개발한 인공지능 방법론의 구조 모식도

□ [그림 2] 약 2만 건의 논문 데이터에 대한 전구체 물질 예측 정확도 (Reterieval-Retro: 연구에서 개발한 인공지능 모델)

□ [그림 3] 주요 논문 기여자(왼쪽부터 화학연 나경석 선임(교신저자), KAIST 노희웅 연구원(1저자), 박찬영 교수(교신저자))

□ [그림 4] 화학연 나경석 선임이 서버실에서 인공지능의 학습결과를 살펴보고 있다

□ [그림 5] 화학연 나경석 선임이 연구결과를 설명하고 있다.

연구자 이력사항

1. 인적사항

○ 성 명 : 나경석
○ 소 속 : 한국화학연구원 화학플랫폼연구본부 디지털화학연구센터
○ 전 화 : 042-860-7976
○ 이메일 : ngs0@krict.re.kr

2. 학력

○ 2012 – 2017 부산대학교 컴퓨터공학과 학사

○ 2017 – 2019 포항공과대학교 컴퓨터공학과 석사

3. 경력사항

○ 2019 - 2019 포항공과대학교 연구원

○ 2019 – 현재 한국화학연구원 화학플랫폼연구본부 디지털화학연구센터 연구원/선임연구원

4. 전문 분야 정보

○ 인공지능; 그래프 인공신경망; 비정형 데이터베이스; 화학정보학; 비선형 계획법