정유성 연구실은 인공지능(AI)과 데이터 과학을 활용하여 분자 및 소재의 합성 가능성 예측, 합성 경로 설계, 그리고 신물질 발견을 선도적으로 연구하고 있습니다. 최근에는 대규모 반응 데이터셋과 실험적 직관을 결합한 기계학습 모델을 개발하여, 유기 및 무기 화합물의 합성 경로를 자동으로 예측하고, 실험적 합성 성공률을 높이는 데 중점을 두고 있습니다. 이 과정에서 대형 언어모델(LLM), 그래프 신경망(GNN), 반응 템플릿 추출 등 최신 AI 기술을 적극적으로 도입하고 있으며, 실제 실험실에서 활용 가능한 수준의 예측 정확도와 설명 가능성을 확보하고 있습니다. 특히, 연구실은 합성 가능성(synthesizability) 예측을 위한 다양한 데이터 기반 모델을 개발해왔습니다. 예를 들어, 무기 결정 소재의 합성 가능성을 예측하는 그래프 신경망 기반 모델, 유기 합성 경로의 설명 가능한 예측을 위한 반응 템플릿 기반 AI, 그리고 실험적 데이터와 연계된 반응 메커니즘 자동 라벨링 도구(MechFinder) 등이 대표적입니다. 이러한 연구는 실제 신물질 합성의 성공률을 획기적으로 높이고, 실험실 자동화 및 무인 자율 실험실 구축과도 긴밀하게 연계되고 있습니다. 이러한 AI 기반 합성 예측 연구는 국내외 다양한 산학연 협력 프로젝트 및 특허 출원, 그리고 국제 학술지 논문 발표로 이어지고 있습니다. 연구실은 합성 예측 AI의 실용화와 신뢰성 확보를 위해, 실험 데이터와 이론 데이터를 통합하는 하이브리드 접근법, 불확실성 정량화, 그리고 인간 화학자의 직관을 반영한 설명 가능한 AI 모델 개발에 집중하고 있습니다. 이를 통해 미래의 디지털 화학 및 자율 실험실 시대를 선도하고 있습니다.

정유성 연구실은 촉매 및 에너지 소재의 원자·분자 수준에서의 구조-특성-합성 가능성 예측을 위해 계산화학, 양자역학, 그리고 기계학습을 융합한 연구를 활발히 수행하고 있습니다. 전통적인 밀도범함수이론(DFT) 계산과 더불어, 머신러닝 기반의 고속 스크리닝, 불확실성 정량화, 그리고 대규모 가상 소재 데이터베이스 구축을 통해, 수소 생산, 이산화탄소 전환, 암모니아 합성, 연료전지 등 다양한 에너지 및 환경 분야의 핵심 촉매와 소재를 설계하고 있습니다. 특히, 단일원자 촉매(Single-Atom Catalyst), 전이금속 산화물, 금속-유기 골격체(MOF), 2차원 소재 등 다양한 시스템에서 반응 메커니즘 해석과 활성점 규명, 그리고 새로운 촉매 후보군의 제안에 중점을 두고 있습니다. 예를 들어, 메탄 활성화, 이산화탄소의 선택적 환원, 질소 고정 등 난이도 높은 반응의 활성화 에너지, 반응 경로, 중간체 흡착세기 등을 계산화학적으로 분석하고, 머신러닝을 통해 수천~수만 개의 조성·구조 후보를 신속하게 평가합니다. 이러한 연구는 실제 산업 현장에서 요구되는 고효율·고내구성 촉매 및 에너지 소재의 개발로 이어지고 있으며, 국내외 기업 및 연구기관과의 공동연구, 정부 대형과제 수행, 그리고 다수의 특허 출원으로 그 성과가 확산되고 있습니다. 연구실은 앞으로도 계산과학과 AI의 융합을 통해, 실험적 검증과 연계된 실질적 소재 혁신을 지속적으로 추구할 계획입니다.