맞춤형 유기 소재를 직접 설계하는 생성형 AI 모델,
’DeepMoleculeGen’ 개발

▲  [그림 1 설명] (왼쪽부터) 박성남 교수(교신저자), 최동훈 교수(공동 저자), 정준영 연구교수(공동 제1저자), 한민희 박사과정 학생 (공동 제1저자), 정민석 석사학생(공동 저자)

고려대학교(총장 김동원) 화학과의 박성남 교수와 최동훈 교수 공동 연구팀이 특정 맞춤형 특성을 가진 유기 소재 분자를 효율적으로 설계할 수 있는 획기적인 생성형 AI인 ‘DeepMoleculeGen’을 개발했다.

이번 연구 결과는 미국 화학회(American Chemical Society)의 국제 저명 학술지 ‘ACS Central Science’(IF=15.4, JIF 상위 8.0 %, 5년 평균)에 8월 30일에 (한국시간 오후 9시) 온라인 게재됐다.
* 논문명: Generative deep learning-based efficient design of organic molecules with tailored properties
* 논문 URL: https://pubs.acs.org/doi/10.1021/acscentsci.4c00656

생성형 AI는 주어진 데이터를 기반으로 새로운 결과물을 만들어내는 기술이다. 예를 들어, ChatGPT와 같은 언어 모델은 방대한 텍스트 데이터를 학습하여 다양한 주제에 대해 자연스러운 문장을 생성한다. 그 외에도 생성형 AI는 작곡, 그림, 3D 모델링, 동영상 생성 등 여러 분야에 활용되고 있다.

화학과 박성남 교수와 최동훈 교수 공동 연구팀이 개발한 ‘DeepMoleculeGen’ 은 목표하는 광 특성을 갖는 다양한 구조의 유기 소재 분자를 직접 생성하는 기술이다. 해당 생성형 AI를 활용하여 목표하는 광 특성을 가진 유기 소재 분자를 효과적으로 개발할 수 있다, 또한, 기존에 사용되고 있는 골격 군의 소재에서 벗어난 새로운 골격의 소재를 발굴하는 것이 가능하다.

특히 이와 같은 생성형 AI를 활용하는 혁신적인 연구 방법론은 유기 태양 전지, 유기발광다이오드(OLED), 유기 광센서, 형광 센서, 바이오 이미징, 염료 등 연구 분야와 유기 소재 분자 산업 응용 분야에서의 발전에 큰 도움이 될 수 있다. 더불어 ‘DeepMoleculeGen’를 사용하면 기존 소재 개발 연구 비용의 최소 70~80%를 절약할 수 있다.

연구팀은 맞춤형 유기 소재 분자 생성 AI인 ‘DeepMoleculeGen’을 웹 애플리케이션으로 공개해 연구자 외에도 일반인이 쉽게 접근할 수 있도록 했다.
* 웹 애플리케이션 URL: http://deep4chem.korea.ac.kr/DeepMoleculeGen

본 연구는 교육부가 지원하는 이공계 분야 대학중점연구소지원사업과 과학기술정보통신부가 지원하는 개인기초연구(중견연구)의 일환으로 수행됐다.
 

[그림 1] 

[그림 1 설명]  AI를 활용한 소재 분자 개발 과정
예측형 AI를 활용한 소재 분자 개발 과정. 1) 수많은 후보 소재 분자를 설계한 후, 2) 예측형 AI를 활용하여 7가지 광특성을 예측하고, 3) 목표하는 특성을 갖는 소재 분자를 선별한다. 생성형 AI를 활용한 신소재 개발 과정. 목표하는 특성을 입력받아 생성형 AI가 맞춤형 유기 소재 분자를 직접 생성한다. 따라서 생성형 AI를 사용하면 목표하는 특성을 갖는 소재 분자를 훨씬 효과적으로 개발할 수 있다.

[그림 2] 

[그림 2 설명] 목표하는 특성을 갖는 유기 소재 분자를 직접 설계하는 생성형 AI, DeepMoleculeGen
초기 구조, 용매, 목표 특성을 입력하면 생성형 AI, DeepMoleculeGen이 주어진 조건에 맞는 목표 특성을 갖는 유기 소재 분자를 직접 설계해준다. 생성된 분자의 특성이 목표하는 특성과 잘 일치하는 것을 확인할 수 있다.