서강대 화공생명공학과 백서인 교수 연구팀, 새로운 촉매를 찾는 생성형 AI 모델 개발

서강대 화공생명공학과 백서인 교수 연구팀,

새로운 촉매를 찾는 생성형 AI 모델 개발

-국제 저명 학술지 ‘Journal of the American Chemistry Society’ 게재-

▲(좌측부터) 서강대 화공생명공학과 백서인 교수, 목동현 박사과정생

   서강대학교 화공생명공학과 백서인 교수 연구팀(제 1저자: 목동현 박사과정생)이 ChatGPT로 잘 알려진 언어 모델 GPT 구조를 활용해 촉매를 생성하는 생성형 AI 모델을 개발하였다. 이 모델을 이용하여 새로운 과산화수소 생산 촉매를 제안하였으며, 이번 연구 성과는 국제 저명 학술지인 ‘Journal of the American Chemistry Society’ (인용 지수 14.5)에 게재되었다.

소재 연구 분야에서는 원하는 물성을 가진 소재를 효율적으로 탐색하는 것이 핵심 과제이다. 기존에는 모든 가능성을 탐색하는 방식으로 우수한 소재를 찾아냈지만, 소재 성능에 대한 요구가 높아짐에 따라 탐색해야 할 화학 공간이 사실상 무한대로 확대되었다. 이에 따라 모든 소재를 열거하고 평가하는 기존 방식은 비용과 시간 측면에서 비효율적이라는 한계가 명확히 드러났다.

이러한 한계를 극복하기 위한 해결책으로 역설계 전략이 주목받고 있다. 역설계는 원하는 물성으로부터 소재를 생성하는 방법으로, 최근 소재 분야에서 인공지능(AI)을 활용한 연구의 주요 흐름이 되고 있다. 그러나 무기 소재, 특히 촉매와 같은 복잡한 시스템에서는 역설계가 높은 난이도로 인해 간단한 결정 구조나 특정한 원소 조합에 제한적으로 적용되어 왔다.

최근 ChatGPT를 비롯한 언어 모델이 급속히 발전하며, 이를 소재 역설계에 활용하려는 시도가 증가하고 있다. 특히 언어 모델 기반의 무기 결정 구조 역설계가 기존 역설계 방법들에 비견할 만한 성능을 보인다는 연구 결과가 꾸준히 보고되고 있다. 이러한 배경에서 백서인 교수 연구팀은 언어 모델의 간단한 텍스트 표현법에 주목하고 복잡한 촉매 표면의 역설계에 적합한 생성 모델인 “Catalyst Generative Pretrained Transformer (CatGPT)”를 개발하였다.

▲ CatGPT의 촉매 생성 모식도.

(촉매 표면 구조를 텍스트로 변환한 후 생성형 언어 모델에 학습시켜 촉매 구조를 생성한다. 모델 학습과 촉매 생성 전략에 따라 원하는 흡착물이나 구조적 특징을 가지는 촉매를 선택적으로 생성할 수 있다.)

연구팀은 촉매 표면 구조를 격자 상수, 원소 기호, 좌표값으로 나타낸 연속적인 텍스트로 변환하고 이를 언어 모델에 학습시켜, 모델이 촉매 표면을 나타내는 텍스트를 생성할 수 있도록 설계했다. 그 결과 약 90% 이상의 확률로 물리적으로 타당하며 실제 촉매와 유사한 촉매를 생성할 수 있었다. 또한, 언어 모델의 생성 방식을 응용하여 잘못 생성된 원자를 배제하는 알고리즘을 도입하여 생성된 촉매의 정확도를 더욱 향상시킬 수 있었다.

이후, 연구팀은 CatGPT를 활용해 특정 물성을 가지는 촉매를 선택적으로 생성하는 전략들을 제시하였다. 특정 흡착물을 포함하는 촉매를 생성할 수 있는 “텍스트 조건부 생성 (text-conditional generation)”과 소량의 학습 데이터로도 모델의 성능을 유지하면서 생성 방향을 조정할 수 있는 미세 조정 (fine-tuning) 기법이 활용되었다. 두 방법 모두 성공적으로 적용되어 원하는 특성을 가진 촉매의 선택적 생성이 가능함을 확인하였다.

특히, 미세 조정 기법을 통해 CatGPT가 과산화수소 생산 촉매를 높은 확률로 생성할 수 있도록 개선하였고 밀도범함수이론 (DFT) 계산을 통해 유망한 10가지 촉매 후보를 제시하고 검증하였다.

이번 연구는 최초로 범용적인 무기 촉매 생성 모델을 개발하고 이에 대한 포괄적 연구를 수행했다는 점에서 큰 의의를 가지며, 향후 촉매 역설계 연구의 방향성을 제시할 수 있을 것이라 기대한다.

▶논문제목: Generative Pretrained Transformer for Heterogeneous Catalysts

▶논문링크: https://pubs.acs.org/doi/full/10.1021/jacs.4c11504