Myung Group
에너지학과(겹) 명창우
명창우 교수 연구실(Myung Group)은 에너지과학과를 기반으로 첨단 양자화학, 머신러닝, 인공지능, 그리고 에너지 소재 이론을 융합한 다학제적 연구를 선도하고 있습니다. 본 연구실은 양자역학적 계산과 머신러닝 기법을 결합하여, 기존의 계산적 한계를 뛰어넘는 대규모 물질 시뮬레이션과 신소재 설계에 주력하고 있습니다. 특히, Sparse Gaussian Process 및 베이지안 기반 머신러닝 포텐셜을 개발하여, 다양한 물질계의 양자 특성을 빠르고 정확하게 예측함으로써, 에너지 소재, 촉매, 배터리, 태양전지 등 다양한 분야에 혁신을 가져오고 있습니다.
연구실은 양자화학의 근본적인 난제인 슈뢰딩거 방정식의 해석, 전자 상관관계, 비평형 수송 현상 등 복잡한 전자 구조 문제를 다이어그램 접근법, 밀도범함수이론(DFT), 동적 평균장 이론(DMFT) 등 첨단 이론과 계산 방법을 통해 해결하고 있습니다. 이를 통해 금속, 절연체, 나노소자 등 다양한 물질계에서의 전자 구조와 반응 메커니즘을 심층적으로 규명하고, 실제 응용 분야에서의 성능 향상에 기여하고 있습니다.
또한, 인공지능(AI) 기반의 소재 설계와 로보틱스 합성 시스템을 도입하여, 이론과 실험의 경계를 허무는 융합 연구를 추진하고 있습니다. AI가 예측한 최적의 합성 조건을 실제 실험에 적용함으로써, 신소재 개발의 효율성과 성공률을 극대화하고, 친환경 에너지 소재, 고성능 촉매, 차세대 배터리 등 다양한 응용 분야에서 혁신적인 성과를 창출하고 있습니다.
에너지 소재 이론 연구 역시 본 연구실의 핵심 분야로, 퍼스트 프린시플 계산을 통한 결정화, 상도, 동역학, 계면 구조 및 반응 경로 탐색 등 근본적인 물성 연구를 수행하고 있습니다. 이를 통해 소재의 구조적 안정성, 전자적 특성, 반응성 등을 체계적으로 분석하여, 차세대 에너지 소재의 설계와 최적화에 중요한 기여를 하고 있습니다.
명창우 교수 연구실은 이론-실험 융합, 첨단 계산과 AI 기술의 접목, 그리고 다양한 학문 분야와의 협력을 통해, 미래 에너지 산업과 소재 과학의 혁신을 이끌고 있습니다. 연구실의 다양한 프로젝트와 국제 협력, 우수한 연구 성과는 국내외 학계 및 산업계에서 높은 평가를 받고 있으며, 차세대 과학기술 발전에 핵심적인 역할을 하고 있습니다.
Dynamical Mean Field Theory
Quantum Chemistry
Dynamical Mean-Field Theory
범용 머신러닝 기반 양자 시뮬레이션 포텐셜 개발
우리 연구실은 범용적인 머신러닝 포텐셜 개발을 통해 다양한 물질계의 양자역학적 특성을 빠르고 정확하게 예측하는 연구를 수행하고 있습니다. 특히, Sparse Gaussian Process와 베이지안 샘플링 모델을 활용하여 기존 양자 계산의 한계를 극복하고, 나노 및 마이크로미터 스케일에서의 대규모 시뮬레이션을 가능하게 합니다. 이러한 머신러닝 포텐셜은 기존의 양자역학적 계산에 비해 수십 배에서 수백 배 빠른 속도로 대규모 물질 시스템을 다룰 수 있어, 물리, 화학, 재료, 에너지, 생물 등 다양한 분야에 적용될 수 있습니다.
이러한 연구는 실제로 리튬이온 배터리, 고체 전해질, 촉매, 태양전지 등 에너지 소재의 구조적·동역학적 특성을 예측하고, 새로운 소재의 설계 및 최적화에 큰 기여를 하고 있습니다. 머신러닝 기반 포텐셜은 실험적 데이터와 고성능 계산 데이터를 통합하여, 실험과 이론의 경계를 허물고, 실제 합성 가능성과 안정성까지 예측할 수 있는 기반을 마련합니다.
궁극적으로, 본 연구실의 머신러닝 포텐셜 개발은 차세대 에너지 소재의 혁신적 발견과 친환경 기술 개발에 중요한 역할을 하며, 다양한 학제 간 융합 연구의 중심축으로 자리매김하고 있습니다.
양자화학 및 다이어그램 접근법 기반 전자 구조 연구
양자화학 분야에서 슈뢰딩거 방정식의 정확한 해를 구하는 것은 오랜 난제로 남아 있습니다. 본 연구실은 다이어그램 접근법과 밀도범함수이론(DFT), 동적 평균장 이론(DMFT) 등 다양한 양자화학적 방법론을 활용하여, 전자 상관관계와 비평형 수송 현상 등 복잡한 전자 구조 문제를 해결하고자 합니다. 특히, Feynman 다이어그램을 통한 전자 그린 함수 계산, 실공간 클러스터-DMFT 프레임워크 구현, 그리고 비평형 수송 문제에 대응하는 DMFT 솔버 개발에 집중하고 있습니다.
이러한 접근법은 금속 및 절연체 시스템 모두에 적용 가능하며, 기존 Hartree-Fock 이후 방법론이 다루지 못했던 다양한 물질계의 전자 상관 효과를 정밀하게 분석할 수 있습니다. 또한, 비평형 상태에서의 전자 이동 및 반응 메커니즘을 실시간으로 추적함으로써, 나노소자, 촉매, 배터리 등 실제 응용 분야에서의 전자 구조 제어와 최적화에 중요한 통찰을 제공합니다.
이 연구는 양자역학적 계산의 정확성과 효율성을 동시에 추구하며, 차세대 양자 재료 및 에너지 소재의 설계, 신소재 개발, 그리고 양자컴퓨팅 알고리즘 개발 등 다양한 미래 지향적 연구에 핵심적인 역할을 하고 있습니다.
AI 기반 에너지 소재 설계 및 로보틱스 합성
본 연구실은 인공지능(AI) 모델을 실험적 합성 프로세스와 통합하여, 이론과 실험 양 측면에서 합성 가능성과 안정성을 예측하는 베이지안 AI 모델을 개발하고 있습니다. 고성능 계산 및 대규모 실험 데이터를 바탕으로, 촉매, 태양전지, 금속-유기 골격체(MOFs) 등 혁신적인 에너지 소재의 예측 및 합성을 목표로 하고 있습니다.
AI 기반 소재 설계는 기존의 직관적·경험적 소재 개발 방식을 뛰어넘어, 데이터 기반의 체계적이고 신속한 신소재 탐색을 가능하게 합니다. 특히, 로보틱스 합성 시스템과 연계하여, AI가 예측한 최적의 합성 조건을 실제 실험에 적용함으로써, 소재 개발의 효율성과 성공률을 극대화합니다. 이러한 접근은 에너지 효율이 높은 신재생에너지 소재, 친환경 촉매, 고성능 배터리 소재 등 다양한 분야에서 혁신적인 성과를 창출하고 있습니다.
이와 같은 AI-실험 융합 연구는 미래 에너지 산업의 패러다임을 변화시키며, 소재 과학, 화학, 물리, 공학 등 다양한 학문 분야와의 융합을 통해 새로운 연구 지평을 열고 있습니다.
1
Temperature-independent emission in a [(CH3)3NPh]2MnBr4 single crystal analogous to thermally activated delayed fluorescence
Mutibah Alanazi, Atanu Jana, Won Woong Choi, David ChangMo Yang, Robert A. Taylor, Chang Woo Myung, Youngsin Park
Appl. Mater. Today., 2025
2
A Sparse Bayesian Committee Machine Potential for Oxygen-containing Organic Compounds
Soohaeng Yoo Willow, Seungwon Kim, David ChangMo Yang, Miran Ha, Amir Hajibabaei, Jung Woon Yang, Kwang S. Kim, Chang Woo Myung
Chem. Phys. Rev., 2025
3
Machine Learning Nonadiabatic Dynamics: Eliminating Phase Freedom of Nonadiabatic Couplings with the State-Interaction State-Averaged Spin-Restricted Ensemble-Referenced Kohn-Sham Approach (in press)
Sung Wook Moon, Soohaeng Yoo Willow, Tae Hyeon Park, Seung Kyu Min, Chang Woo Myung
Journal of Chemical Theory and Computation, 2025
1
Development of quantum computing algorithm