MOLSIM
생명화학공학과 김지한
MOLSIM 연구실은 계산화학, 분자 시뮬레이션, 인공지능(AI), 빅데이터, 양자컴퓨팅 등 첨단 계산 및 데이터 과학 기술을 융합하여 에너지 및 환경 문제 해결을 위한 혁신적 소재 개발에 앞장서고 있습니다. 본 연구실은 금속-유기 골격체(MOF), 제올라이트, 고분자, 2차원 소재 등 다양한 다공성 및 나노소재의 구조적 특성, 물성, 합성 조건을 정밀하게 예측하고 설계하는 데 중점을 두고 있습니다.
특히, 대규모 분자 시뮬레이션(DFT, 몬테카를로, 분자동역학 등)과 고성능 컴퓨팅을 활용하여 수십만~수조 개의 가상 소재를 신속하게 스크리닝하고, 실험적으로 합성 가능한 최적의 후보를 도출하는 자동화된 워크플로우를 구축하였습니다. 이를 통해 탄소 포집, 수소 및 메탄 저장, 가스 분리, 촉매, 센서, 물 수확 등 다양한 응용 분야에서 세계 최고 수준의 소재를 예측하고 있습니다.
머신러닝, 딥러닝, 대형 언어모델(LLM) 등 최신 AI 기술을 소재 연구에 적극적으로 도입하여, 논문 및 그래프 데이터 마이닝, 실험 및 시뮬레이션 데이터 통합 분석, 합성 조건 추천, 역설계 플랫폼 구축 등 데이터 기반 소재 혁신을 선도하고 있습니다. AI 기반 역설계, 강화학습, 생성적 모델, 트랜스포머 등 첨단 알고리즘을 활용하여 사용자가 원하는 물성을 입력하면 최적의 소재 구조를 자동으로 생성·추천하는 시스템을 구현하고 있습니다.
또한, 양자컴퓨팅과 양자머신러닝을 소재 연구에 접목하여, 기존 고전적 계산의 한계를 극복하는 차세대 나노소재 설계 방법론을 개발하고 있습니다. 양자컴퓨팅 기반 해밀토니안 모델링, 양자강화학습, 양자 자연어처리 등 다양한 양자 알고리즘을 소재 설계에 적용하여, 복잡한 조합적 문제와 거대 화학공간 탐색을 효율적으로 해결하고 있습니다.
이러한 연구는 실험 연구진과의 긴밀한 협업을 통해 이론-실험 융합 연구를 실현하고 있으며, 실제 소재 합성 및 평가로 이어지는 전주기적 연구 생태계를 구축하고 있습니다. MOLSIM 연구실은 에너지, 환경, 전자, 센서 등 다양한 산업 분야에서 혁신적 소재 개발을 통해 사회적·산업적 가치를 창출하고, 미래 소재과학의 패러다임을 선도하고 있습니다.
Metal-Organic Frameworks
Catalysts
Machine Learning in Materials Science
에너지 및 환경 문제 해결을 위한 계산화학 및 분자 시뮬레이션
본 연구실은 계산화학 및 분자 시뮬레이션을 활용하여 에너지와 환경 분야의 핵심 문제를 해결하는 데 중점을 두고 있습니다. 특히, 금속-유기 골격체(MOF), 제올라이트, 고분자, 2차원 소재 등 다양한 다공성 소재의 구조적 특성과 물성 예측을 위한 분자동역학, 몬테카를로, 밀도범함수이론(DFT) 등 첨단 시뮬레이션 기법을 개발하고 있습니다. 이를 통해 탄소 포집, 수소 및 메탄 저장, 가스 분리, 촉매, 센서, 물 수확 등 다양한 응용 분야에서 최적의 소재를 설계하고 있습니다.
특히, 대규모 데이터베이스와 고성능 컴퓨팅을 결합하여 수십만~수조 개의 가상 소재를 신속하게 스크리닝하고, 실험적으로 합성 가능한 후보를 도출하는 자동화된 워크플로우를 구축하였습니다. 이러한 접근법은 기존의 실험적 소재 개발 방식에 비해 시간과 비용을 획기적으로 절감하며, 실제로 세계 최고 수준의 메탄 저장, 수소 저장, CO2 포집 성능을 갖는 소재를 예측하고 있습니다.
또한, 소재의 구조적 결함, 비정질화, 계면 현상 등 현실적인 조건을 반영한 시뮬레이션을 통해 실제 응용 환경에서의 소재 성능을 정밀하게 예측하고 있습니다. 이를 바탕으로 실험 연구진과의 협업을 통해 이론-실험 융합 연구를 선도하고 있으며, 차세대 에너지 및 환경 소재의 혁신적 개발에 기여하고 있습니다.
머신러닝 및 인공지능 기반 소재 역설계와 데이터 기반 소재 혁신
최근 본 연구실은 머신러닝, 딥러닝, 빅데이터, 인공지능(AI) 등 최신 데이터 과학 기법을 소재 연구에 적극적으로 도입하고 있습니다. 대규모 소재 데이터베이스 구축, 논문 및 그래프 데이터 마이닝, 실험 및 시뮬레이션 데이터 통합 분석을 통해 소재의 합성 조건, 구조-물성 상관관계, 최적화된 소재 설계 등 다양한 문제를 데이터 기반으로 해결하고 있습니다.
특히, 역설계(inverse design) 플랫폼을 개발하여 사용자가 원하는 물성(예: 가스 분리 성능, 전도도, 촉매 활성 등)을 입력하면, 인공지능이 최적의 소재 구조를 자동으로 생성·추천하는 시스템을 구현하였습니다. 강화학습, 생성적 모델(예: GAN, Diffusion Model), 트랜스포머 등 최신 AI 아키텍처를 활용하여 MOF, COF, 고분자, 무기 결정 등 다양한 소재군에 적용하고 있으며, 실제로 세계 최초로 AI 기반 MOF 생성, 합성 조건 추천, 실험-시뮬레이션 데이터 격차 분석 등 혁신적 연구 성과를 창출하고 있습니다.
또한, 대형 언어모델(LLM)과 소재 데이터베이스, 실험 자동화 시스템을 연계한 '자율주행 AI 연구'를 추진하여, 텍스트/이미지/비디오 등 다양한 데이터를 자동 수집·분석하고, 소재 합성 및 평가까지 AI가 주도하는 미래형 연구 패러다임을 선도하고 있습니다. 이러한 데이터 기반 소재 혁신 연구는 소재 개발의 속도와 효율을 극대화하며, 에너지·환경·전자·센서 등 다양한 산업 분야에 파급효과를 창출하고 있습니다.
양자컴퓨팅 및 차세대 계산기술을 활용한 나노소재 설계
본 연구실은 양자컴퓨팅과 양자머신러닝을 소재 연구에 접목하여, 기존 고전적 계산의 한계를 극복하는 차세대 나노소재 설계 방법론을 개발하고 있습니다. 양자컴퓨터의 고유한 병렬성과 양자 얽힘, 중첩 특성을 활용하여, 복잡한 조합적 문제(예: 다성분 나노소재의 최적화, 거대 화학공간 탐색 등)를 효율적으로 해결할 수 있는 알고리즘을 연구하고 있습니다.
특히, 양자컴퓨팅 기반 해밀토니안 모델링, 양자강화학습, 양자 자연어처리(QNLP) 등 다양한 양자 알고리즘을 소재 설계에 적용하여, 기존 고전적 시뮬레이션으로는 접근이 어려운 대규모 소재 공간에서 새로운 소재 후보를 발굴하고 있습니다. 예를 들어, 금속-유기 구조체(MOF), 2D 소재, 복합소재 등에서 양자컴퓨팅을 활용한 역설계, 구조 최적화, 물성 예측 등 혁신적 연구를 수행하고 있습니다.
이러한 연구는 아직 초기 단계이지만, 양자컴퓨팅의 발전과 함께 미래 소재과학의 패러다임을 변화시킬 잠재력을 지니고 있습니다. 본 연구실은 국내외 선도 연구기관과의 협력을 통해 양자컴퓨팅 기반 소재 연구의 실용화와 확산을 주도하고 있으며, 차세대 에너지·환경·전자 소재 개발의 새로운 지평을 열고 있습니다.
1
Bioelectrosynthesis of Signaling Molecules for Selective Modulation of Cell Signaling
M. Lee#, J. Lee#, Y. Kim, C. Lee, S. Y. Oh, J. Kim, J.Park*
Angewandte Chemie International Edition, 2025
2
Accelerating CO₂ Direct Air Capture Screening for Metal-Organic Frameworks with a Transferable Machine Learning Force Field
Y. Lim#, H. Park#, A. Walsh*, J. Kim*
Matter, 2025
3
Prevention of Surface and Bulk Degradation of Co-free Ni-rich Layered Cathodes by Primary-Particle-Level Li2SO4 Coating
T. H. Kim#, J. H. Moon#, J. Shin, S. A. Mohamed, J. Kim, H. Kang, Y. J. Lee, H. Kang, E. A. Cho*
Journal of Power Sources, 2025
1
(통합EZ)KAIST-MIT 미래 에너지 선도연구센터 (AI-로보틱스 기반 에너지 소재 혁신)(2024년도)
2
(통합EZ)나노-소재 데이터 기반 다양한 유/무기 소재의 전기적 특성 예측이 가능한 머신러닝 모델 개발(2024년도)
3
(통합EZ)양자 컴퓨팅을 이용한 다성분 금속-유기 구조체의 개발과 활용(2024년도)