Computational Nano-Bio Chemistry
화학부 정연준
Computational Nano-Bio Chemistry 연구실은 이론 및 계산화학, 통계역학, 그리고 첨단 컴퓨터 시뮬레이션 기법을 바탕으로 복잡한 화학 및 생물물리 시스템의 구조와 동역학을 심층적으로 연구하는 연구실입니다. 본 연구실은 분자 수준에서의 상호작용과 집합적 현상을 이해하기 위해 다양한 통계역학 이론과 분자동역학, 몬테카를로 시뮬레이션, 자유에너지 샘플링 등 최신 계산 방법론을 적극적으로 활용하고 있습니다.
주요 연구 분야로는 이온성 액체, 고분자, 나노소재, 단일 분자 시스템 등에서 나타나는 동적 이질성, 비평형 현상, 집단적 상전이, 그리고 자유에너지 표면 분석 등이 있습니다. 특히, 단일 분자 분광학, 동적 상전이, 분자 집합체의 집단적 거동 등 실험적으로 관찰하기 어려운 미시적 현상을 이론적 모델링과 시뮬레이션을 통해 해석함으로써, 새로운 과학적 통찰과 응용 가능성을 제시하고 있습니다.
또한, 본 연구실은 기계학습과 데이터 과학을 융합한 혁신적 연구도 활발히 수행하고 있습니다. 신경망 기반의 분자 특성 예측, 자유에너지 및 용해도 예측, 액체 및 고분자 시스템의 물성 분석 등 다양한 분야에 기계학습 기법을 적용하여, 실험 데이터가 부족한 상황에서도 높은 예측 정확도를 달성하고 있습니다. 이를 통해 신약 개발, 에너지 저장 소재, OLED 등 첨단 산업 분야에서 요구되는 분자 설계 및 최적화에 실질적으로 기여하고 있습니다.
연구실은 이론, 계산, 데이터 과학을 유기적으로 결합하여, 복잡계의 구조-동역학 상관관계에 대한 근본적 이해를 추구합니다. 이러한 연구는 차세대 기능성 소재 개발, 바이오-나노 융합기술, 에너지 및 환경 분야 등 다양한 응용 분야와도 밀접하게 연계되어 있습니다. 궁극적으로, 본 연구실은 복잡한 화학 및 생물물리 시스템의 근본 원리를 밝히고, 이를 실질적 응용으로 연결하는 데 중점을 두고 있습니다.
다양한 국내외 연구 프로젝트, 산학협력, 특허 및 논문 발표를 통해 연구 성과를 지속적으로 축적하고 있으며, 학생 및 연구원들에게 첨단 계산화학 및 데이터 과학 역량을 함양할 수 있는 교육 및 연구 환경을 제공하고 있습니다. 앞으로도 본 연구실은 계산화학, 이론화학, 데이터 기반 과학의 융합을 통해 화학 및 소재 과학의 미래를 선도할 것입니다.
복잡계 화학 및 생물물리 시스템의 구조와 동역학 연구
본 연구실은 이론 및 계산화학적 접근을 통해 복잡한 화학, 생물물리, 나노스케일 시스템의 구조와 동역학을 심층적으로 연구하고 있습니다. 분자 수준에서의 상호작용과 집합적 현상을 이해하기 위해 통계역학 이론과 첨단 컴퓨터 시뮬레이션 기법을 적극적으로 활용합니다. 이를 통해 화학 반응의 경로, 분자 집합체의 동적 거동, 그리고 나노구조체의 특이적 물리적·화학적 특성을 규명하고자 합니다.
특히, 이온성 액체, 고분자, 단일 분자, 나노소재 등 다양한 복잡계 시스템에서 나타나는 동적 이질성, 비평형 현상, 집단적 상전이와 같은 현상을 집중적으로 연구합니다. 실험적으로 관찰하기 어려운 미시적 현상을 시뮬레이션과 이론적 모델링을 통해 해석함으로써, 새로운 물질 설계와 기능성 소재 개발에 필요한 과학적 기반을 제공합니다. 또한, 단일 분자 분광학, 동적 상전이, 자유에너지 표면 분석 등 다양한 주제를 아우르며, 복잡계의 거동을 정량적으로 예측할 수 있는 이론적 프레임워크를 구축하고 있습니다.
이러한 연구는 생명현상, 에너지 저장, 촉매, 나노소자 등 다양한 응용 분야와도 밀접하게 연계되어 있습니다. 복잡계의 구조-동역학 상관관계에 대한 이해를 바탕으로, 차세대 기능성 소재 및 바이오-나노 융합기술 개발에 기여하고 있습니다. 궁극적으로, 본 연구실은 복잡한 화학 및 생물물리 시스템의 근본 원리를 밝히고, 이를 실질적 응용으로 연결하는 데 중점을 두고 있습니다.
계산화학 및 기계학습 기반 분자모델링과 자유에너지 예측
본 연구실은 계산화학과 기계학습을 융합하여 분자 시스템의 자유에너지, 용해도, 반응성 등 다양한 물리화학적 특성을 예측하는 연구를 선도하고 있습니다. 전통적인 분자동역학 시뮬레이션과 더불어, 신경망 기반의 기계학습 모델을 개발하여 복잡한 분자 구조와 성질 간의 상관관계를 정량적으로 분석합니다. 이를 통해 실험 데이터가 부족한 상황에서도 높은 정확도의 예측이 가능하도록 새로운 알고리즘과 데이터 기반 모델을 지속적으로 고안하고 있습니다.
특히, 용매화 자유에너지 예측, 액체의 점도 및 표면장력 예측, 고분자 및 유기소재의 전하 이동 특성 분석 등 다양한 응용 분야에 기계학습 기법을 적용하고 있습니다. 분자 특성 추출을 위한 피처 엔지니어링, 커널 모델의 이론적 개선, 다중 스케일 시뮬레이션과의 통합 등 최신 연구 동향을 반영한 방법론을 적극적으로 도입하고 있습니다. 또한, 자유에너지 샘플링, 경로 엔트로피 계산, 대규모 데이터셋 구축 및 활용 등 실질적 연구 성과를 도출하고 있습니다.
이러한 연구는 신약 개발, 친환경 에너지 소재, 고성능 배터리, OLED 등 첨단 산업 분야에서 요구되는 분자 설계 및 최적화에 직접적으로 기여할 수 있습니다. 실험과 계산, 이론과 데이터 과학을 융합한 혁신적 접근을 통해, 분자 수준에서의 현상 이해와 예측을 극대화하고, 미래 화학 및 소재 과학의 패러다임 전환을 이끌고 있습니다.
1
Dynamical Phase Transition in Kinetically Constrained Models with Energy–Activity Double-Bias Trajectory Ensemble
Jay-Hak Lee, YounJoon Jung
The Journal of Physical Chemistry Letters, 2024
2
Elucidating Dynamical Behaviors in Kinetically Constrained Models via Energy-Activity Double-Biased Matrix Product State Analysis
Yoong Hee Lee, Jay-Hak Lee, YounJoon Jung
The Journal of Physical Chemistry Letters, 2024
3
Synergistic Modeling of Liquid Properties: Integrating Neural Network-Derived Molecular Features with Modified Kernel Models
Hyuntae Lim, YounJoon Jung
Journal of Chemical Theory and Computation, 2024
2
OLED 소자구조 디지털화를 위한 고정합도를 갖는 AI 기반 전광시뮬레이터 및 소자 설계기술 개발
3
이차원 전이금속 다이찰코지나이드의 물성 및 응용에 관한 멀티스케일 계산화학적 연구