김용주 연구실은 매우 넓은 조성 공간을 갖는 다성분 합금 및 엔트로피 합금 촉매를 효율적으로 탐색하기 위해 기계학습과 실험을 결합한 연구를 수행한다. 특히 수소발생반응(HER), 산소발생반응(OER), 전체 물 분해와 같이 에너지 전환 효율을 좌우하는 핵심 반응에서 최적의 금속 조합과 조성을 찾는 문제를 중요한 연구 축으로 다루고 있다. 기존의 시행착오식 접근은 시간과 비용이 많이 들고, 계산 기반 전수 탐색 역시 실제 실험 데이터 부족이라는 한계가 있기 때문에, 연구실은 능동학습(active learning)과 파레토 최적화 같은 데이터 효율적 전략을 활용해 고성능 촉매를 빠르게 발굴하는 방향을 제시한다. 이 연구의 핵심은 실험 데이터를 단순히 사후 분석하는 수준에 머무르지 않고, 모델이 다음 실험 후보를 스스로 제안하도록 설계하는 폐루프형 연구 체계를 구축하는 데 있다. 실제 논문들에서는 소수의 실험 데이터만으로도 수만 개 이상의 가능한 조성 공간 중 유망 후보를 좁혀 나가며, Pt-Ru-Ni계 및 Pt-Pd-Ru-Cu계와 같은 합금 촉매에서 우수한 전기화학적 성능을 검증하였다. 이는 조성, 전구체 비율, 반응 지표 간의 복합적인 상관관계를 데이터 기반으로 학습하고, 불확실성을 반영한 샘플링 전략을 통해 탐색 효율을 높인 결과라 할 수 있다. 이러한 연구는 단순히 특정 촉매 하나를 찾는 데 그치지 않고, 고차원 재료 탐색 전반에 적용 가능한 새로운 소재 설계 패러다임을 제공한다. 향후에는 촉매 반응성뿐 아니라 안정성, 내구성, 가격, 희소금속 사용량까지 동시에 고려하는 다목적 최적화로 확장될 가능성이 높다. 따라서 이 연구는 탄소중립 에너지 기술, 수전해 수소 생산, 차세대 전극 소재 개발을 가속화하는 동시에, 재료과학에서 인공지능 활용의 실질적 성공 사례로서 큰 의미를 가진다.

김용주 연구실의 또 다른 중요한 연구 축은 기능성 고분자와 고분자 물리, 그리고 구조가 정교하게 제어된 공중합체의 자기조립 거동을 이해하고 예측하는 것이다. 연구실은 특히 보틀브러시 공중합체와 같은 복잡한 고분자 구조체가 용액 환경에서 어떤 형태를 형성하고, 분자 구조나 화학적 성질의 변화가 최종 형태와 물성에 어떤 영향을 주는지를 이론, 모사, 실험을 연계해 연구한다. 이러한 주제는 나노구조 형성, 기능성 입자 설계, 고분자 기반 전자·에너지 소재 개발의 기초를 제공한다. 방법론 측면에서 이 연구실은 전통적인 고분자 이론과 시뮬레이션을 현대적인 데이터 기반 기법과 결합하는 점이 특징적이다. 프로젝트와 학회 발표 내용을 보면 DPD 시뮬레이션을 활용해 단일사슬 수준의 자기조립 거동을 추적하고, 그래프 신경망을 이용해 복잡한 고분자 구조와 자기조립 결과 사이의 관계를 예측하려는 시도가 이루어지고 있다. 즉, 분자 구조를 그래프 형태로 표현하고, 그 안에 담긴 위상과 상호작용 정보를 학습시켜 고분자 시스템의 형태 발현을 빠르고 정확하게 예측하는 방향으로 연구가 전개된다. 이 연구는 고분자 설계를 경험과 직관 중심에서 예측과 최적화 중심으로 전환하는 데 큰 잠재력을 가진다. 자기조립 구조를 미리 예측할 수 있다면, 원하는 기능을 갖는 나노입자, 분리막, 코팅재, 바이오소재, 연성 전자재료를 훨씬 효율적으로 설계할 수 있기 때문이다. 앞으로는 용매 효과, 결정화, 계면 거동, 다중 스케일 현상을 통합적으로 반영한 모델로 발전하면서, 기능성 고분자의 구조-물성-성능 상관관계를 정밀하게 설명하는 연구로 이어질 가능성이 크다.

김용주 연구실은 개별 소재 성능 향상을 넘어, 다양한 재료 분야에서 활용 가능한 데이터 중심의 연구 생태계를 구축하는 데에도 관심을 두고 있다. 대표적으로 소재 연구데이터 생태계 플랫폼 구축 과제를 통해 국내외 소재 데이터를 온톨로지 기반으로 통합하고, 연구자들이 활용할 수 있는 지속가능한 데이터 인프라를 조성하는 연구를 수행하고 있다. 이는 실험 데이터, 문헌 정보, 조성 및 공정 변수, 성능 지표를 체계적으로 연결하여 소재 개발의 디지털 전환을 촉진하려는 시도이다. 이 연구의 핵심은 단순한 데이터 축적이 아니라, 서로 다른 출처와 형식의 정보를 해석 가능하고 재사용 가능한 형태로 구조화하는 데 있다. 이를 위해 온톨로지, 자연어처리, 인공지능, 소재 빅데이터 기술이 결합되며, 연구자들은 필요한 데이터에 빠르게 접근하고 새로운 가설을 생성할 수 있게 된다. 또한 이러한 플랫폼은 능동학습, 그래프 기반 모델, 물리정보 기반 기계학습과 같은 다양한 분석 도구와 연동될 수 있어, 데이터 수집-정제-학습-실험 검증이 연결된 통합 연구 환경을 제공한다. 장기적으로 이 연구는 신소재 개발의 속도와 재현성을 동시에 향상시키는 기반 기술로 작용할 수 있다. 특히 촉매, 열전소재, 자성소재, 고분자 소재처럼 조성과 공정 변수가 복잡한 영역에서 데이터 표준화와 지식 구조화는 매우 중요하다. 연구실의 플랫폼 지향 연구는 개별 성과를 넘어 공동연구, 산업 연계, 자동화 실험, 자율형 소재 탐색으로 확장될 수 있으며, 미래 소재 연구의 핵심 인프라를 마련한다는 점에서 큰 의의를 지닌다.