사이트맵 ×

토탈산업
hpf미네랄스
현대보테코
K쇼배너

기술과 솔루션

엠쓰리파트너스
hnp인터프라
휴먼텍
한국마쓰이
기사제목
- 수소생산 에너지 소모 낮추고 생산량은 늘려… Nature Comm. 논문 게재물과 햇빛만으로 청정연료인 수소를 생산하는 시대가 가까워졌다. 더 이상 화석연료를 쓰지 않고서도 청정 수소를 생산할 수 있는 광(光)촉매가 개발되고 있기 때문이다.* 광촉매: 빛을 받아 높은 에너지를 가진 광전자와 전공을 발생시켜 물을 분해하여 수소와 산소를 만들거나 유해 물질을 분해하여 환경오염을 방지하게 하는 반도체 물질.UNIST (총장 이용훈) 에너지화학공학과의 이재성 교수팀은 태양광과 물로 수소를 만들 수 있는 광촉매의 성능을 개선한 연구 결과를 발표했다. ‘태양광 수소생산 시스템’의 전극을 구성하는 광촉매는 태양광 에너지를 흡수해 물(H2O)에서 수소(H2)를 만든다. 이번에 개발된 촉매는 수소생산에 필요한 에너지 소모는 낮추고 동시에 생산량은 늘리는 이중기능성이 있어 수소생산 효율이 높다. 태양광 수소생산 시스템의 상용화 연구에서 중요한 이정표를 세웠다고 평가되는 이유다.* 수소생산효율(태양광전환효율): 정해진 면적에 도달하는 태양에너지 중 수소생산에 쓰인 비율. 생산된 수소의 양을 입사(쪼여진)하는 태양에너지의 양으로 나누어서 계산함. 소모되는 에너지가 적고 수소 생산량이 많으면 태양광전환 효율이 올라간다.청정연료라고 여겨지는 수소는 대부분 천연가스와 같은 화석연료를 개질(改質)시켜 얻는다. 그러나 화석연료로 수소를 생산하는 과정에서 지구온난화를 일으키는 이산화탄소가 발생하는 역설이 있어 일명 ‘그레이 수소’라 불린다. 물과 같은 무궁무진한 원료와 재생에너지를 이용해 ‘그린 수소’를 생산하는 방법이 있지만, 아직 가격경쟁력이 부족하다. 이 때문에 생산에 소모되는 에너지를 낮추고 수소 생산량은 늘릴 수 있는 값싼 촉매가 필요하다.개발된 촉매의 구조 및 수소 생성 반응 모식도. 코어-쉘 나노막대 구조의 산화철 광촉매 전극이 햇빛을 흡수하여 광전자(photoelectron, 음전하)와 전공(hole, 양전하)을 생성하고 이들이 물을 분해하여 수소(H2)와 산소(O2)를 만드는 과정을 보여주는 모식도이재성 교수팀은 산화철을 ‘코어-쉘’(core-shell) 이중구조로 만드는 방법으로 에너지 소모는 줄이면서 동시에 수소 생산량을 늘리는 가격경쟁력을 확보했다. 에너지 소모를 나타내는 반응 개시전압은 일반 산화철 전극에 비해 270mV(밀리 볼트)만큼 떨어지고, 수소 생산량을 나태는 지표인 전류밀도는 기존 산화철 촉매보다 66.8% 증가했다. 앞서 개발된 대부분 촉매가 둘 중 하나에서만 성과를 보여온 한계를 극복한 것이다.촉매 물질로 사용된 산화철(Fe2O3)은 녹슨 철에서 볼 수 있는 붉은 물질이다. 가격도 저렴하고 구하기도 쉽다. 또 흡수할 수 있는 태양광의 파장 대역도 넓다. 하지만 내부의 전하(전자) 전달 문제 때문에 실제 이 촉매를 썼을 때 수소생산 효율이 높지 않았다.연구팀은 산화철을 이중구조로 만들어 물질 내부 전하 전달 문제를 개선한 고효율 촉매를 개발했다. 탄탈럼(Ta)이 도핑(첨가)된 산화철 중심부(Core)를 도핑되지 않은 산화철 껍질(Shell)이 감싸고 있는 구조다. 마치 연필과 같은 구조의 나노 막대이다. 이 막대 입자들을 도자기 만들듯 구워(소결) 광촉매로 이뤄진 전극을 만들었다. 소결 반응에서 흑연과 같은 마이크로웨이브 흡수체를 써 단시간 동안 높은 온도에서 소결이 가능하다.* 도핑(Doping): 반도체 물질의 전하 전달 속도를 높이기 위하여 소량의 다른 원소를 반도체 격자(물질의 원자구조) 내에 도입하는 것이재성 교수는 “추가적인 연구를 통해 상용화의 분기점인 수소생산 효율 10%를 달성하는 것이 목표”라며, “이번에 개발된 촉매로 이러한 목표에 한 발짝 더 다가서게 됐다”고 연구 의미를 전했다.  한편, 이재성 교수는 태양광 수소생산을 20여 년간 연구해온 이 분야 석학이다. 이 교수 연구팀은 과학기술정보통신부의 기후변화대응 사업의 지원을 받아 앞으로 5년 내에 이 기술을 ‘태양광 수소차 충전소’에 적용하기 위한 실증 연구를 수행 중이다.UNIST 에너지화학공학과 허민 짱(Hemin Zhang) 연구교수, UNIST 연구지원본부 정후영, 신태주 교수, 중국 대련 물리화학 연구소(DICP)의 씨우리 왕(X. Wang), 홍씨엔 한(H. Han), 찬 리(C. Li) 교수가 참여한 이번 연구는 국제학술지인 Nature Communications에 9월 15일 자로 공개됐다. 연구 수행은 과학기술정보통신부(장관 최기영)가 추진하는 기후변화대응 사업과 중견연구자지원 사업을 통하여 이루어졌다.* 논문명: Gradient tantalum-doped hematite homojunction photoanode improves both photocurrents and turnon voltage for solar water splitting자료문의: 에너지화학공학과: 이재성 교수_(052)217-2544
편집부 2020-10-19
기사제목
- 철 박막으로 촉매 표면 재생 촉진… Science Advances 게재온실가스인 메탄(CH4)과 이산화탄소(CO2)를 고부가가치 수소(H2)로 바꿔주는 새로운 나노 촉매가 개발됐다. 이 촉매는 기존의 전극 촉매보다 메탄-수소 변환 효율이 2배 이상 뛰어나 다양한 에너지 변환 기술 발전에 크게 기여할 것으로 기대된다.UNIST(총장 이용훈) 에너지화학공학과 김건태 교수팀은 온실가스인 메탄과 이산화탄소로 수소와 일산화탄소(CO)를 만드는 반응(메탄 건식 개질 반응)에 쓰이는 촉매의 성능과 안정성을 강화할 방법을 개발했다.* 일산화탄소(CO): 산업에서 사용되는 화합물 및 연료 생산을 위한 원료로 사용된다.메탄 건식 개질 반응에는 니켈(Ni) 금속 복합체 촉매가 주로 쓰였다. 하지만 이 촉매는 오래 쓸 경우 성능이 떨어지고 수명도 짧다. 고온에서 촉매끼리 뭉치거나 반응이 반복되면 촉매 표면에 탄소가 쌓이기 때문이다.극대화된 이온 위치 교환 현상(Topotactic Ion Exchange) 모식도(A)는 기존 스마트 촉매의 자가 재생(exsolution) 과정이고, (B)는 이온 위치 교환 현상을 이용한 스마트 촉매 자가 재생 과정인데, (B)의 경우 외부에 균일하고 미세하게 원자층 증착된 철 막(layer)이 자리 교체 용출 현상을 더욱 촉진한다. 결과적으로 촉매 역할을 하는 니켈이 전극(연료극) 표면으로 올라온 수가 급증했다.연구팀은 니켈(Ni, 촉매 역할을 하는 핵심물질)이 표면으로 더 잘 올라오게 하는 방법을 고안해 문제를 해결했다. 철(Fe)을 복합체 촉매 표면에 얇게 입힌 것이다. 니켈은 복합체 밖으로 나가려는 성질이 강하고 철은 안으로 들어가려는 성질이 강해 두 물질이 자리를 바꾸게 되는 원리다. 새롭게 올라온 니켈 때문에 입자 간 뭉침이나 표면에 탄소가 쌓이는 현상이 억제된다. 또 밖으로 나온 니켈이 철과 결합해 반응성이 더 좋아진다.이온 위치 교환 현상(Topotactic Ion Exchange) 투과전자현미경(TEM) 분석결과(A, B) TEM 분석결과 니켈(Ni)이 표면으로 올라오고, 철(Fe)이 내부로 들어간 걸 확인했다. EDS 분석결과, 표면에 올라온 입자는 니켈-철(Ni-Fe) 합금임을 확인했다. (C-E) 이 현상들을 더 자세히 분석하기 위해 HR-TEM 분석결과 철이 페로브스카이트 구조 격자에 위치함을 확인했다.이론(DFT; Density Fuctional Theory)을 통한 용출 에너지 및 상대적인 자리 교환 에너지 계산(A) 외부에 있는 철과 내부에 있는 니켈이 단계적으로 자리를 바꾸는 과정에 따른 계산 결과다. 두 이온의 위치 교환이 열역학적으로 안정하다는 것을 DFT 계산을 통해 확인했다. (B) 금속 종류에 따른 용출 에너지 계산 결과로, -3.32 eV의 용출 에너지를 갖는 니켈에 비해 철은 –1.45 eV로 더 낮은 용출 에너지를 갖는 것을 확인함. (C) 니켈 금속을 기준으로 금속들의 상대적인 자리 교환 에너지를 계산한 결과이다.촉매의 메탄가스 변환 특성(A,B) 가장 많은 Ni-Fe alloy를 형성한 LSTN-20C-Fe이 가장 많은 메탄 변환량을 보이며, 활성화 에너지 또한 가장 낮은 것으로 확인되었다. (C) 400시간 동안 일정한 H2/CO 비율로 안정적인 메탄 변환 성능을 보였다.제1저자인 주상욱 UNIST 에너지공학과 석‧박사통합과정 연구원은 “균일하고 미세한 철 박막을 입힐 수 있는 기술(원자층 증착법)을 이용해 ‘자리 교체 용출 현상’을 촉진시켰다”고 설명했다.* 복합체: 이번 실험에서는 페로브스카이트 구조를 갖는 복합체 촉매를 사용함. 2종류의 양이온과 1종류의 음이온을 갖는 구조다. 양이온 중 하나가 전이금속(니켈)이다.* 원자층 증착법(Atomic layer deposition): 반응물과 표면의 반응만 일어나고, 반응물 사이에는 반응이 일어나지 않아 과잉의 반응 기체가 공급되어도 단층의 원자층만 형성되는 “자가-억제(Self-limiting)” 특성을 갖고 있다. 기존 증착 기술과 달리 원자층을 한 층씩 미세하게 조절하여 박막을 성장시킬 수 있는 고도화된 기술이다.공동 제1저자인 성아림 UNIST 에너지공학과 석·박사통합과정 연구원은 “철 박막을 20회 반복해서 입혔을 때 촉매 단위 면적 당 약 400개가 넘는 나노 입자(철-니켈 합금)가 생겼고, 이 입자들은 니켈과 철로 이뤄져 촉매 반응성이 높다”고 설명했다.새로운 나노 촉매를 사용한 메탄 변환 성능은 700℃에서 70% 이상의 높은 변환효율을 보였고, 안정성에서도 400시간 이상을 유지한 결과를 보였다. 김교수는 “이는 기존 전극 촉매보다 변환효율이 2배 이상 뛰어난 것”이라며, “개발된 촉매는 다양한 에너지 변환 기술 분야에 쓰일 것”이라고 기대했다.이번 연구는 한정우 포항공대 교수, 美 펜실베니아대 존 보스(John M. Vohs), 교수, 펜실베니아대 레이몬드 고티(Raymond J. Gorte) 교수도 함께 참여했다. 연구결과는 세계적 과학저널 사이언스(Science)의 자매지인 ‘사이언스 어드밴시스(Science Advances)’ 8월 26일(수) 온라인판에 게재됐다.* 논문명: Highly active dry methane reforming catalysts with boosted in situ grown Ni-Fe nanoparticles on perovskite via atomic layer deposition자료문의: 에너지화학공학과_김건태 교수(052)217-2917 
편집부 2020-10-13
기사제목
- 전지 제조 단순화로 가격경쟁력 확보 가능… Advanced Functional Materials 게재물을 이용해 실리콘 태양전지의 제조공정은 단순화하면서도 전지 효율은 끌어올리는 기술이 나왔다. 이 기술로 전지의 무기물 구성층(후면 전계층)을 유기물로 대체한 실리콘 태양전지를 최초로 구현했다. 가격 경쟁이 치열한 실리콘 태양전지 분야에서 우위를 확보하는 데 기여할 것으로 기대된다. 제조된 태양전지의 구조(a) 및 물에 의한 유기 박막 내부 구조 정렬 전(b), 후(c) 비교UNIST(총장 이용훈) 신소재공학과의 최경진 교수팀은 실리콘 태양전지의 ‘후면 분리막’(또는 후면 전계층)의 성능을 개선하고 제조공정은 단순화하는 기술을 개발했다. 분리막은 태양전지의 효율을 좌우하는 중요한 전지 구성층이다. 연구진은 유기물로 이뤄진 분리막에 물을 첨가하는 방식으로 성능은 높이고 고가의 전지 제조공정은 줄였다.교신저자인 최경진 교수는 “유기 박막(강유전체)의 전기적 특성(전기장의 방향)을 조절하는 방식으로 n형·p형 실리콘 태양전지에 모두에 이 박막을 쓸 수 있다”며, “이번 연구로 유기 물질 박막의 고질적 문제인 온도·습도 불안정성도 해결해(1,000시간 구동 가능) 상용화 가능성이 밝다”고 기술에 관해 설명했다.* 강유전체: 자발적 분극을 갖는 물질. 물질 내부의 전기쌍극자가 마치 자석에 반응하는 철 가루처럼 일정한 방향으로 정렬되는 현상을 분극이라 한다. 이로 인해 물질 내부에 전기장이 만들어진다. 강유전체는 전기가 통하지 않는 절연체다* n·p 형 실리콘: 실리콘에 첨가하는 물질의 종류에 따라 n형(질소), p형(붕소)로 구분된다.실리콘 태양전지 후면 분리막은 광(光) 생성 전자와 정공 간 재결합을 방지하는 중요한 역할을 한다. 태양광을 받은 광 활성층(실리콘, 페로브스카이트 등)이 전자와 정공을 내놓는데 이 전자(음전하, -)와 정공(양전하, +)이 결합해 사라지는 것을 막는다. 전지가 생산하는 전력량은 전자와 정공 양이 결정하므로 전지 효율을 높이려면 이들의 재결합을 효과적으로 막는 분리막이 필요하다.* 전자(electron): 음전하를 가지고 있는 기본 입자* 정공(hole): 전자의 빈(空) 상태를 나타내는 가상의 입자이다. 전자와는 반대로 양전하를 갖는 전하 운반체로서 전기장 자기장 등의 외부력에 반응한다.유기 박막의 내부 구조다공성 유기 박막의 전자 현미경 이미지 및 스침각 X선 회절 패턴 a. 일반적인 제작된 유기 P(VDF-TrFE) 박막 b. 물을 이용해 만든 다공성 유기 P(VDF-TrFE) 박막. 내부의 박막 구조가 잘 정렬되어 있고, 개별 내부조직의 크기가 눈에 띄게 커진 것을 확인할 수 있음. c. 일반적으로 제작된 유기 P(VDF-TrFE) 박막 및 d. 다공성 유기 P(VDF-TrFE) 박막의 스침각 X선 회절 패턴. 다공성 유기 박막에서는 (200)에 해당하는 X선 강도(intensity)가 집중되어 있으며, 높은 결정성을 상징하는 (100)이 관찰 가능함.최교수 연구팀은 유기물 강유전체 박막에 미량의 물을 첨가해 분리막의 효율을 높였다. 기름처럼 물을 싫어하는 유기 박막에 물을 첨가하면 수 마이크론(μm, 10-6) 길이의 파이버 형상 유기물 입자가 조밀하고 규칙적인 구조로 정렬된다. 미세구조가 정렬됨에 따라 전자는 끌어당기고 정공은 밀어내는 힘이 더 커져 분리막의 성능이 좋아진다.전자, 정공 숫자(유효 캐리어) 비교무기 박막(SiO2, SiNx) 및 유기 박막(P(VDF-TrFE, 향상된 분극의 P(VDF-TrFE)가 코팅된 a. p 형 및 b. n 형 실리콘의 유효 캐리어(전자와 정공) 수명. 유효 캐리어 수명이 길수록 재결합을 효과적으로 방지할 수 있음을 의미함. c. 기존에 보고된 무기 박막들의 재결합 속도와 본 연구에서 제안한 유기 박막의 재결합 속도 비교. 기존에 보고된 무기 박막과 비교 가능할 만큼 매우 낮은 재결합 속도를 보임. 재결합 속도가 느릴수록 유효 캐리어 숫자가 증가함.태양전지의 구조 및 유한시차분석법을 이용한 박막의 효과 규명a. 유기물(PEDOT:PSS)-실리콘-유기물(P(VDF-TrFE) 하이브리드 태양전지의 모식도. b. P(VDF-TrFE) 유기 박막의 유무에 따른 태양전지의 효율 그래프. 18.37%의 효율을 나타냄. c. 유한차분시간영역법을 통한 유기박막(VDF-TrFE)의 효과 규명또 전지 제조과정 중 분리막에 ‘구멍’을 뚫는 고가의 공정이 필요 없다. 분리막은 전기가 통하지 않는 물질이라 구멍을 뚫어 전자와 정공의 통로를 만들어 줘야 한다. 반면 새롭게 개발된 분리막은 첨가됐던 물을 증발시켜 제거함으로써 그 자리에 구멍을 쉽게 만들 수 있다.제1저자인 UNIST 신소재공학부 강성범 연구원은 “유기 박막 내부 미세구조의 정렬 현상(결정성 증가)을 발견하고, 이를 이용한 실리콘 태양전지 제조 방식을 고안했다”고 설명했다.최교수는 “이번 연구로 무기물에 한정돼 있던 실리콘 태양전지 후면 전계층 기술을 유기물로 확장했다”며, “고가의 진공 장비가 필요한 무기 박막 태양전지와 달리 유기 박막을 쓸 경우 공정이 간편해져 가격경쟁력을 갖춘 태양전지를 만들 수 있을 것”이라고 전망했다.이번 연구는 소재 분야의 세계적 학술지인 ‘Advanced Functional Materials’에 9월 13일 자로 온라인 공개됐다. 연구수행은 한국연구재단의 중견연구자지원사업, 산업통상자원부 한국에너지기술평가원의 에너지기술개발사업의 지원으로 이뤄졌다.* 논문명: Ambipolar passivated back surface field layer for Silicon photovoltaics자료문의: 신소재공학과_최경진 교수(052)217-2337
취재부 2020-10-11
기사제목
- 금탑산업훈장 이원해 대표이사회장(대모엔지니어링)  - 은탑산업훈장 강인각 대표이사(주강로보테크) 등 유공자 49명 포상한국기계산업진흥회(회장 손동연)는 지난 9월 21일(월) 대전상공회의소에서 산업통상자원부 주최로 「2020년도 기계로봇산업 발전유공 포상식」을 개최했다고 밝혔다. 이날 포상식에는 산업통상자원부 성윤모 장관, 한국기계산업진흥회 손동연 회장 등이 참석한 가운데, 기계로봇산업 진흥을 통해 산업 발전에 크게 이바지한 유공자에 대한 포상을 수여했다. 기계로봇산업(자본재분야) 발전유공 포상은 자본재 국산화를 통한 제조업 경쟁력 강화와 기술개발 의욕 고취, 품질 수준 제고로 무역수지를 개선코자 1984년부터 시행해오고 있다. 올해 포상에서 영예의 금탑산업훈장은 세계최초 건설 중장비 어태치먼트 기술을 선도하고, 글로벌화와 Smart Factory 구축 주도로 자본재산업 발전에 중추적 역할을 한 대모엔지니어링(주) 이원해 대표이사가 수상했다.은탑산업훈장은 29년간 공장자동화 관련 구동기기 생산 및 공급, A/S 및 유지보수에 대한 아낌없는 투자로, 공장자동화 관련 구동기기 100% 국산화 개발의 성과를 이룬, (주)주강로보테크 강인각 대표이사가 수상했다. 산업포장은 대형/초대형 굴삭기 등 제조기술 확보를 통한 공급능력 확대 및 외자 부품을 국산화한 두산인프라코어(주) 박찬혁 전무, 블라인드 리벳 관련 기술 및 독자설비 개발을 통한 제품 국산화를 선도한 (주)넥스텍 이영준 대표이사, 로봇 응용 시스템 개발 및 경쟁력 확보에 기여한 (주)세스텍 신기범 대표이사 등 3명이 수상했다.대통령표창은 한라IMS(주) 지석준 대표이사 등 6명과 기업부문 STX엔진(주) 등 2개사가 수상하였으며, 국무총리표창은 한국기계연구원 송창규 책임연구원 등 4명과 기업부문 삼보모터스(주) 등 4개사, 산업통상자원부장관표창은 삼성중공업(주) 이재창 Senior Engineer 등 18명과 10개사가 각각 수상했다. ○ 유공기업 부문        
편집부 2020-10-11
기사제목
- 신축성·접착력 우수해 유연 디스플레이 소자 적용 가능… CHEM. ENG. Journal 게재접착력과 신축성이라는 두 마리 토끼를 잡은 점착제가 나왔다. 투명하고 금속을 부식시키지 않아 TV나 휴대폰 같은 디스플레이 소자에서 각 부품을 고정하는 역할을 할 수 있다. 돌돌 말아서 휴대했다 펼쳐보는 TV 개발이 머지않았다.UNIST(총장 이용훈) 에너지화학공학과 이동욱 교수팀과 전기전자공학과 김학선 교수 연구팀은 ‘고무줄처럼’ 즉각적으로 형태 회복이 가능한 아크릴계 감압성(Pressure Sensitive) 점착제를 개발하였다. 감압성 점착제는 ‘포스트잇’이나 ‘스카치테이프’처럼 살짝 눌러주는 힘만으로도 접착력을 갖는 물질이다. 연구팀은 이 소재의 우수한 접착력(박리 강도)은 유지하면서도 신축성(즉각적 형태 회복 능력)을 강화했다.점착제는 양면테이프처럼 소자 내부 구성품을 연결하는 역할을 한다. 휴대폰이나 TV 같은 디스플레이 소자는 유리창, 금속전극, 발광물질 등이 차곡차곡 쌓여 있는 샌드위치 구조인데, 점착제를 이용해 이 구성품 사이를 고정한다. 웨어러블기기나 휴대가 편한 대형 화면에 관한 관심이 높아지면서 움직임이나 변형에 강한 점착제 개발 요구가 높다.감압성 점착제(PSA)를 사용하여 제조된 디스플레이 모식도김학선 교수는 “화면은 크게 보면서도 갖고 다닐 때는 작게 만들고 싶은 것이 소비자들의 욕구”라며, “결국 화면을 접거나 말거나 구기는 수밖에 없기 때문에, 외부 변형을 견뎌낼 수 있는 점착제 개발이 필수”라고 말했다이번에 개발된 점착제는 표면에서 잘 벗겨지지 않으면서도(박리 강도) 우수한 신축성을 갖는다. 일반적으로 점착체의 박리 강도와 신축성은 반비례하지만, 연구팀은 ‘사전변형’이라는 기법을 이용해 이 문제를 해결했다. 사전변형은 점착체에 미리 변형을 가하는 방법이다. 박리 강도 실험결과 시중의 스카치테이프보다 65% 높은 박리 강도를 보였다. 또 원래 길이의 25%를 늘렸을 때 즉각적으로 변형이 회복되는 신축성도 보였다.* 사전변형 전략(prestrain): 변형(strain)을 미리 가해, 추가적 변형을 가했을 때 원래 변형 상태로 돌아올 수 있게 만드는 전략. 점착제를 원래 길이의 10%에 해당하는 만큼 미리 늘려준 뒤 여기에 추가적 변형을 가하면, 이 추가적인 변형을 제거됐을 때 사전변형 상태로 돌아올 수 있다. 개발된 점착제의 디스플레이 소자 호환성 평가. a 신율 변화에 따른 투과도 평가, b 30% 신율에서의 점착제의 실제적 투명도, c 고온다습 조건에서 점착제와 접촉한 ITO 기판의 표면 저항값, d 표면저항 측정 기기연구팀은 개발된 점착제의 디스플레이 소자 호환성도 점검했다. 소자 내부에는 금속전극이 들어가기 때문에 점착제가 금속을 부식시키면 안 된다. 전극 소재인 ITO에 개발한 점착제를 부착시켜 4주간 고온 다습한 환경에 노출 시켰을 때 기판이 부식되는 현상(표면저항 증가)이 발생하지 않았다. 또 투명성도 갖춰 발광물질에서 나오는 빛을 그대로 전달할 수 있다.본 연구에 제1저자로 참여한 이주학 에너지화학공학과 석사는 “이번 연구는 첨단 디스플레이 분야 및 새로운 감압성 점착제 개발 및 제조에 중요한 역할을 할 것”이라고 기대했다.이동욱 교수는 “ ‘사전변형 전략’을 손쉽게 적용할 수 있는 공정을 개발하고 접착력을 추가로 보완하면 디스플레이 소자에 사용 가능한 점착제를 대량 생산할 수 있을 것”이라고 기대했다.한편, 이주학 에너지 에너지화학공학과 석사는 바나듐 이온 배터리로 전기차 초 급속 충전 시스템과 에너지저장시스템 시장에 진출한 스탠다드에너지㈜에 재직 중이다.이번 연구 성과는 화학공학 분야 국제학술지 Chemical Engineering Journal에 8월 27 온라인 공개됐으며, 출판을 앞두고 있다. 연구수행은 산업통상자원부, 한국연구재단(NRF) 등의 지원으로 이뤄졌다.* 논문명: Stretchable and recoverable acrylate-based pressure sensitive adhesives with high adhesion performance, optical clarity, and metal corrosion resistance자료문의: 에너지화학공학과_이동욱 교수 (052)217-2594
편집부 2020-10-11
기사제목
- 수소생산 경제성 확보할 고효율·고내구성 전이금속계 수전해 촉매 개발  - 저가 인화몰리브덴에 티타늄 미량 도핑… 전자구조 변화로 내구성 대폭 향상수소전기차로 대표되는 수소경제 활성화의 핵심은 전기를 생산하기 위한 수소를 저렴한 가격에 생산하는 것이다. 수소를 생산하는 방법은 부생 수소 포집1), 화석연료 개질2), 수전해 등이 있다. 그중 친환경적 방법인 ‘물의 전기분해’인 수전해 방식에서 수소 발생 반응을 촉진하는 역할을 하는 촉매는 수소경제의 효율과 가격경쟁력을 결정하는 가장 중요한 요소이다. 하지만 수전해 장치에서는 수소 발생 반응 활성과 장기 내구성에서 어떤 물질과도 비교할 수 없을 만큼 좋은 성능을 보이는 고가의 백금(Pt)촉매를 필수적으로 사용해야 해 다른 방법들만큼 가격경쟁력을 확보할 수 없었다.부생 수소 포집: 석유화학 및 제철 산업 등의 공정에서 부가적으로 발생하는 수소를 포집하는 방법천연가스 같은 탄화수소 연료를 개질기에 통과시켜 수소를 얻는 방법티타늄 도핑된 인화 몰리브덴의 수소 발생 반응 메커니즘 모식도 수전해 장치는 물에 녹아 전류를 흐르게 해주는 전해질에 따라 다양한 종류가 있다. 이 가운데 고분자 전해질막(Proton exchange membrane, PEM) 기반 수전해 장치는 고가의 백금계 촉매가 아닌 전이금속 소재의 촉매에서도 수소 발생 반응 활성이 높아 상용화 연구가 집중되고 있다. 하지만 활성을 끌어올리는 데 연구가 집중되는 사이 전기화학적 환경 속에서 쉽게 부식되는 전이금속 소재의 내구성을 높이는 연구는 상대적으로 등한시됐다.한국과학기술연구원(KIST, 원장 윤석진)은 수소·연료전지연구단 유성종 박사팀이 백금을 사용하지 않고 수소생산 효율을 향상시키고, 비 백금촉매의 한계였던 내구성 문제를 극복하여 장기적 안정성을 확보한 전이금속3) 소재의 촉매를 개발했다고 밝혔다. 전이금속: 원자의 전자배치에서 최 외부의 d 오비탈이 불포화이거나, 불포화인 이온을 만드는 원소로 주기율표의 3족에서 12족 원소가 모두 포함된다.(a) 티타늄 도핑된 인화 몰리브덴의 구조 및 수소 발생점의 모식도(b, c) 수소 발생 반응에 대한 활성과 15일간의 촉매 안정성 평가결과KIST 유성종 박사팀은 저가의 전이금속인 인화 몰리브덴(MoP)에 스프레이 열분해(spray pyrolysis)4) 공정을 통해 소량의 티타늄을 주입하였다. 몰리브덴은 값이 싸고 비교적 다루기 쉬워 에너지 전환 및 저장장치의 촉매 재료로 사용되고 있지만, 산화에 취약하여 쉽게 부식되는 게 단점이었다.4) 스프레이 열분해(spray pyrolysis): 가습기 또는 노즐을 이용하여 전구체를 액적으로 만들고, 이를 고온의 전기로를 통과시켜 분말을 얻는 공정(a) 티타늄 도핑된 인화 몰리브덴 촉매 합성 방법(b) 합성된 촉매의 구조와 티타늄 도핑 사이트 분석결과 KIST 연구팀이 개발한 촉매는 합성 과정에서 각 재료의 전자구조가 완전히 재구성되며 수소 발생 반응의 활성도가 백금계 촉매와 동등한 수준을 보이는 것으로 확인됐다. 특히, 전자구조의 재구성에 따라 전이금속계 소재의 고질적인 한계로 지적되던 높은 부식성을 개선하여 기존 촉매 대비 내구성이 26배 향상되어 비백금계 촉매의 상용화 시기를 크게 앞당길 것으로 보인다.KIST 유성종 박사는 “이번 연구는 전이금속계 촉매 기반 수전해 장치의 최대 제약이었던 안정성을 향상한 것에 의의를 찾을 수 있다”며, “전이금속계 촉매의 수소생산 효율을 백금촉매 수준으로 끌어올림과 동시에 안정성을 동시에 향상시킨 이번 연구가 친환경 수소에너지 생산기술의 상용화를 한 발 더 앞당기는 데 기여하기를 바란다”라고 밝혔다.본 연구는 과학기술정보통신부(장관 최기영)의 지원을 받아 KIST 주요사업과 한국연구재단 기후변화대응기술개발사업, 글로벌프론티어 멀티스케일에너지시스템 연구사업으로 수행되었다. 이번 연구는 에너지 및 나노 분야의 국제 학술지인 ‘Nano energy’(IF: 16.602, JCR 분야 상위 4.299%) 최신호에 게재되었다.* 논문명: Electron-deficient titanium single-atom electrocatalyst for stable and efficient hydrogen production- 제1저자: KIST 수소·연료전지연구단 장인준 박사후연구원- 교신저자: KIST 수소·연료전지연구단 유성종 책임연구원문의: 수소·연료전지연구단 유성종 책임연구원(T.02-958-5260, 010-8753-6008)
편집부 2020-10-11
기사제목
1. 서론우리는 자라면서 경험을 쌓아가고 이를 기반으로 발전합니다. 실패와 성공을 경험해 보고 좌절도 겪으면서 경험을 축적하는 한편 이야기, 독서를 통해서 지식을 배웁니다. 축적된 경험과 습득된 지식은 머릿속에 데이터로 저장됩니다. 새로운 일이 생겼을 때 이렇게 쌓인 데이터를 바탕으로 이익, 윤리, 신뢰 등 참고하여 판단하고 행동합니다. 소재개발에서도 비슷한 방식이 적용됩니다. 그동안 소재개발은 경험과 지식에 근거한 실험, 이론, 컴퓨터를 이용한 전산모사 등을 통하여 이루어져 왔습니다. 개발 결과는 노트, 컴퓨터 파일, 논문, 특허, 기술자료 등의 가시적 형태와 무형의 전문지식으로 축적되어 있습니다. 새로운 소재를 개발할 때 그동안 주요 연구개발 방법인 실험, 전산 모사는 경비, 시간, 인력 등을 많이 투입해야 합니다. 그림 1에 소재개발에 활용되는 기술을 나타내었습니다. 2010년대 들어와서 미국, 일본 등 소재 선진국들은 미래산업 기반인 첨단소재개발의 효율을 높여 국가경쟁력을 유지하려는 노력을 기울이고 있습니다. 그동안 축적된 많은 소재 정보를 이용해 소재개발 경비와 시간을 줄이고자 국가적 지원이 활발히 이루어지고 있습니다. 미국의 Materials Genome Initiative(MGI)와 일본의 “Materials Research by Information and Integration” Initiative(Mi2i)가 대표적인 국가지원 프로그램입니다.최근에 국내에서는 이세돌 기사와 구글 알파고의 대결 이후 인공지능 기술에 관심이 크게 늘고 있으며, 가전제품 등에 적용되어 일상생활에 많이 활용되고 있습니다. 인공지능 기술이란 인간의 지능과 같이 변화에 스스로 판단하여 대처할 수 있는 능력을 컴퓨터, 기계가 할 수 있도록 하는 기술을 말합니다. 인간이 경험과 지식 데이터에 기반하여 변화에 대응하는 것처럼 기계나 로봇들이 그동안 쌓아온 데이터를 분석하여 대응할 수 있습니다.화학산업에도 인공지능 기술이 적용되기 시작하였습니다. 인공지능 기술들이 활용되는 분야는 공정 적용과 제품 설계입니다. 공정 적용 분야는 축적된 데이터를 분석하여 공정을 최적화하는 것과 이상징후를 알아내어 유지보수, 수리에 참고하는 것입니다. 기업에서 수행하는 공정은 장기간 비슷한 조건에서 운영되기 때문에 데이터 축적과 분석이 쉽습니다.화학제품 개발에 적용되는 인공지능 기술은 제품 특성 예측과 제품 설계에 활용됩니다. 그동안 이 분야는 전문가가 축적한 전문지식에 의존해 왔습니다. 본 글에서는 화학소재 개발에 적용되는 인공지능 기술 개요와 적용사례를 설명하고자 합니다.2. 인공지능(Artificial Intelligence, AI), 기계학습(Machine Learning, ML),     소재정보학(Material Informatics, MI) 이란?AI란 앞서 설명한 바와 같이 사물(주로 기계)이 인간 지능과 같이 변화를 인지하고 판단하여 대처할 수 있는 능력을 말합니다. 과학기술정보통신부는 AI를 “인지, 학습 등 인간의 지적능력(지능)의 일부 또는 전체를 컴퓨터를 이용해 구현하는 지능”이라 정의했습니다. AI는 넓은 의미로 사용되고 있습니다. 기계학습(ML)은 인공지능을 구사하기 위해 학습하는 것을 말합니다. 즉, 데이터를 분석, 추론해서 어떻게 할지를 결정하는 것입니다. ML에서 중요한 것은 축적된 데이터, 분석능력, 추론(예측) 능력입니다. 데이터는 경험에 기반합니다. 데이터 분석능력은 지식과 조건에 달려 있습니다. 예측은 분석결과로부터 어떻게 대처해야 할지를 알아내는 것입니다. ML은 AI를 수행하는 여러 기술 중 하나입니다. 알파고에 사용된 딥러닝(Deep Learning) 기술은 ML 중의 한 분야입니다. 표 1과 그림 2에 인공지능기술, 머신러닝, 딥러닝을 설명하여 나타내었습니다. 소재정보학(MI)은 특성과 같은 소재 정보를 분석하여 소재개발에 활용하는 것을 말합니다. 물성값처럼 숫자로 표시하기나 기술자료 같은 글자로 표현할 수도 있습니다. 본 글은 MI 분야에서 ML을 활용하는 사례를 살펴보고자 합니다.2.1. 소재개발에 활용되는 ML 기술ML을 이용한 소재개발은 데이터 확보, 데이터 보완 및 정제, 알고리즘을 활용한 분석, 분석결과의 검증 및 보완, 개발하고자 하는 소재의 특성 예측, 설계 적용 등의 순서로 진행됩니다. 그림 3에 ML을 이용한 소재개발 단계를 나타내었습니다.1) 데이터 확보 ML의 첫 단계는 데이터를 모아 데이터베이스를 구축하는 것입니다. 맛있는 요리를 만들려면 재료가 좋아야 하듯이 ML을 잘하려면 데이터가 좋아야 합니다. 좋다는 의미는 데이터의 적합성과 신뢰성이 우수하고 양이 충분해야 한다는 것입니다. 즉 데이터가 활용하고자 하는 분야와 관련해야 하고 그 값을 믿을 수 있어야 합니다. 최근 빅데이터라는 말이 많이 사용되고 있습니다. 말 그대로 많은 양의 데이터를 의미합니다. 다수의 사람으로부터 얻은 건강, 구매 정보나 교통데이터는 양이 많은 경우가 대부분입니다. 이러한 빅데이터를 분석하는 다양한 프로그램들이 알려져 있고, 예측치 정확도도 나날이 높아가고 있습니다. 그러나 소재개발에 직접 사용할 수 있는 데이터는 많지 않습니다. 특정 소재개발에 필요한 데이터는 그 양이 더 적습니다. 일본에서는 이를 small data라 부릅니다. 우리는 경험이 많을수록 세상일에 잘 대처하듯이 데이터가 많아야 예측정확도를 높일 수 있는데, 소재개발에서는 공부할 수 있는 데이터가 부족합니다. 최근의 소재개발 ML 연구는 small data를 가지고 예측정확도를 높이는 방향으로 진행되고 있습니다. 2), 3)2) Pruksawan, Sirawit; Lambard, Guillaume; Samitsu, Sadaki; Sodeyama, Keitaro; Naito, Masanobu. Prediction and optimization of epoxy adhesive strength from a small dataset through active learning. Science and Technology of Advanced Materials. 2019, 20, 1010-1021.3) Wu, Stephen; Kondo, Yukiko; Kakimoto, Masa-aki; Yang, Bin; Yamada, Hironao; Kuwajima, Isao; Lambard, Guillaume; Hongo, Kenta; Xu, Yibin; Shiomi, Junichiro; Schick, Christoph; Morikawa, Junko; Yoshida, Ryo. npj Computational Materials. 2019. 5. 66데이터베이스 구축에는 실제로 측정한 데이터와 컴퓨터로 시뮬레이션한 데이터가 사용되고 있습니다. 예전부터 현재까지 장기간에 걸쳐 실험을 해왔으며 측정된 데이터는 연구 노트, 논문, 특허 등에 있습니다. 이를 수집해 데이터베이스를 구축하는 것이 ML의 시작입니다. 이때 용어, 단위, 측정 방법 및 조건 등을 세심히 정리해서 데이터베이스를 구축해야 합니다. 쓸만한 데이터가 부족하면 데이터베이스를 구축하기 위해 새로 측정해야 합니다. 데이터를 생산해서 데이터베이스를 구축하는 과정은 시간과 예산이 많이 듭니다. 최근에는 컴퓨터 시뮬레이션 기술이 발달해서 양자역학 등의 이론을 기초로 하는 제일원리 모사나 분자동력학 기술 등을 사용하여 데이터를 생산하는 예도 많습니다.화학소재 관련해서 여러 개의 데이터베이스가 알려져 있습니다. 이들 데이터베이스로부터 데이터를 가져오거나 자신의 데이터를 모아 직접 소재 데이터베이스를 구축할 수도 있습니다. 확보된 데이터는 정제하고 보완해야 합니다. 요리할 때 씻고 쓸모없는 것은 빼내고 먼지 등 더러운 불순물은 제거해서 깨끗한 요리 재료를 얻고 또 꼭 필요한 양념 등을 갖추는 과정이라 생각하면 됩니다. 2) 특징 추출(feature extraction) 데이터가 확보되면 컴퓨터가 데이터의 특성을 인식할 수 있도록 재료를 다듬어야 합니다. 소재개발에서 ML이란 input 데이터를 분석해서 형태, 패턴 등을 찾아내고 원하는 물성이나 구조를 예측하는 것입니다. 컴퓨터가 사용해 만들어 내는 output에 영향을 줄 수 있는 input 인자를 정해야 하며 이는 숫자로 정리되어야 합니다. 이런 input 인자를 descriptor, feature, fingerprint라고 부릅니다. 이 용어들은 논문 저자에 따라 의미에서 약간의 차이는 있지만 여기서는 이를 특징 (feature)로 통일해 부르겠습니다.고분자 유리전이온도(Tg)를 예측하고자 할 때 전문가들은 Tg에 영향을 미치는 인자들을 추측할 수 있습니다. 분자구조식, 입체이성질체, 벤젠 같은 강직 구조 등 화학구조와 결정, 배향 같은 물리 구조 등 다양한 변수가 있습니다.이와 같은 변수들을 단독 혹은 몇 가지가 결합한 것을 찾아내고 이를 숫자로 표현하는 것이 특징 추출과정입니다. 특징 추출은 소재 전문지식 (domain knowledge)을 가지고 있는 소재 전문가가 잘할 수 있습니다.화학구조를 Feature로 나타내는 방법으로 simplified molecular-input line-entry system(SMILES)이 있습니다. 예를 들면 폴리스티렌의 경우 SMILES로 나타내면 다음과 같습니다.3) 알고리즘 선택과 분석 수행데이터를 정제하고 특징 선택한 값들을 사용하여 분석, 추론하는 기술이 알고리즘 적용기술입니다. 화학소재 개발에 필요한 알고리즘은 직접 프로그래밍도 가능하지만, 컴퓨터 과학자들이 이미 알고리즘을 개발해 제공하고 있으므로 이를 사용할 수도 있습니다. 소재개발 ML에 사용되는 알고리즘에는 y=f(x)로 표현할 수 있는 지도학습(super vised learning) 방법이 많이 쓰이고 있습니다. 이 방법은 input 값에 대하여 output 값이 있는 경우입니다. x값에 대하여 y값을 만족시키는 최적의 함수 f(x)를 찾아내어 새로운 x값이 주어졌을 때 y값을 예측하는 방법입니다. 직선 회귀법(linear regression)이 지도학습의 가장 대표적인 알고리즘입니다. 이 방법은 실제값과 예측값과의 차이 제곱을 최소화하는 방법입니다. 통상 선형회귀법에서 함수는 y=ax+b로 표현됩니다. 여기서 a, b는 상수입니다. 그림 5에 지도학습에 사용되는 여러 알고리즘은 나타내었습니다. 자세한 것은 문헌을 참조하시기 바랍니다.ML 방법에는 지도학습 외에도 준 지도학습, 강화학습 등의 방법이 있으며, 각 방법에 여러 알고리즘이 있습니다.소재개발에는 다양한 알고리즘들이 사용되고 있습니다. 자세한 것은 뒷부분에서 설명하였습니다. 알고리즘을 사용하여 데이터를 잘 표현할 수 있는 함수식을 찾을 수 있습니다. 직선 회귀법에서는 R2(R square, 결정계수) 값이 1에 가깝고, RMSE(root mean square error, 평균 제곱근 오차) 값이 작을수록 예측값이 함수식 선에 일치하는 정도, 즉 예측정확도가 높아집니다. 다양한 feature와 여러 알고리즘을 사용해서 실제 데이터와 예측 데이터를 분석한 후, 예측을 가장 정확하게 할 수 있는 feature와 알고리즘을 정하게 됩니다.이 과정을 학습(training, 훈련)이라 합니다. 알고리즘이 선정되면 이를 카테고리 내의 다른 데이터에 적용해 보는 것이 일반적입니다. 이를 테스트라 부릅니다. 테스트를 통해서 알고리즘 사용 시 정확도를 더 자세히 파악할 수 있습니다. 개발에 사용되도록 정확도를 높이기 위해서는 추가 실험이 필요할 때가 많습니다. 이때는 실제로 개발하려는 소재와 유사한 조건을 갖도록 실험을 추가하여 데이터를 보강한 후 위의 과정을 다시 실시하는 것입니다. 이렇게 하여 좀 적합한 피처와 알고리즘 조건을 찾을 수 있으며, 이를 이용하여 개발 소재에 대한 특성을 더 정확히 예측할 수 있습니다. 데이터 수가 적은 small data일 때 예측정확도가 낮게 나오는 경우가 많습니다. 이때는 비슷한 형태를 보이는 다른 데이터를 이용하기도 합니다. 예를 들어 고분자의 열전도도에 관한 데이터는 매우 적기 때문에 충분히 학습할 수가 없습니다. 고분자 전문가들은 고분자 열전도도는 고분자의 화학구조, 특히 방향족 그룹에 영향을 많이 받는다고 알고 있습니다. 방향족 그룹에 영향을 많이 받는 고분자의 다른 특성으로 Tg가 있습니다. Tg는 고분자 개발 시 주요 인자이므로 Tg에 관한 데이터는 매우 많습니다. Tg 데이터로 ML 연구를 한 후 이 함수를 열전도도도 예측에 사용하는 방법도 보고되어 있습니다. 이러한 방법을 전이학습(transfer learning)이라 합니다3).4) ML 결과의 활용     소재 구조로부터 특성을 예측하는 것이 소재 ML 연구의 가장 흔한 일이지만, 역으로 원하는 특성을 가지는 소재를 설계할 수도 있습니다. 앞 방법을 전방예측(forward prediction)이라 하고 후자 방법을 후방예측(backward prediction)이라 합니다. 소재개발에서 중요한 부분이 소재를 설계하는 것이므로 후방예측이 중요하지만, 데이터가 많이 없으면 ML로 소재를 설계하기는 매우 어렵습니다.그림 6에 일본 국립연구기관인 National Institute of Materials Science, NIMS)에서 수행한 전이학습과 후방예측 과정을 나타내었습니다. NIMS는 고분자 특성을 모은 데이터베이스 “PoLyInfo”를 구축해 오고 있습니다. 전 세계에 발표되는 논문 문헌으로부터 다양한 명칭, 구조, 특성치 등을 직접 연구자가 읽어서 데이터를 추출하여 데이터베이스를 구축하고 있습니다. NIMS 연구자들은 고분자의 열전도도를 예측하고자 했으나 데이터가 부족해서 전이학습 방법을 사용했습니다3). 먼저 PoLyInfo 데이터베이스와 단량체 데이터 베이스인 “QM9”을 함께 사용해 전방예측으로 Tg와 Tm 예측하였으며, 이를 참고로 하여 후방예측을 위해 특정 Tg와 Tm값을 갖는 분자구조를 예측하는 ML을 연구했습니다. 알고리즘으로는 NIMS에서 개발한 “Bayesian Molecular Design”을 사용했습니다. 열특성 ML연구에서 선택된 feature(그림에서는 fingerprint로 표현)와 알고리즘 조건을 열전도도 데이터에 적용해 정확도를 알 수 있었습니다.학습된 조건을 이용해 열전도도가 클 것으로 추천된 약 1,000개의 화학구조로부터 가공성, 합성 편의성을 참고로 하여 3가지 구조를 선정하고 이를 중합하였습니다. 제조된 고분자의 열전도도를 측정한 결과, 0.41W/mK의 높은 열전도도를 갖는 소재를 개발할 수 있었습니다.2.2 구체적 ML 연구 예1) 고분자 Tg 예측고분자의 Tg를 예측하는 ML 과정을 예로 들겠습니다(그림 7 및 8). 첫 단계는 구조가 다른 다양한 고분자에 대한 Tg 데이터를 모으는 것입니다. 다음으로는 고분자의 화학구조, 물리구조 등을 참고로 하여 feature를 정하는 것입니다. 이 보고서에서는 feature를 fingerprint로 표현했습니다. Fingerprint에는 각 고분자에 대해 M개까지 만들 수 있습니다. 모든 고분자가 M개의 feature를 다 갖고 있지는 않습니다. 다음으로 숫자로 표시된 fingerprint와 데이터에 있는 Tg 값을 이용하여 기계학습을 수행합니다(ML). 이때 fingerprint의 종류와 개수를 달리하면서 여러 알고리즘에 적용해 볼 수가 있습니다. 이후 얻은 예상값과 실제 데이터를 비교해서 정확도가 높은 fingerprint와 알고리즘을 정합니다. 마지막으로, 이를 이용하여 구조를 알고 있는 새 고분자의 Tg를 예측할 수 있습니다. 여기서 중요한 것이 fingerprint를 정하는 것입니다.구체적으로 예를 들어 설명하겠습니다. 화학구조를 알고 있는 고분자 소재 데이터를 밀도함수이론(Density functional theory)에 근거한 컴퓨터 시뮬레이션으로 구한 특성(bandgap, dielectric constant, refractive index, atomization energy)과 문헌 혹은 직접 실험으로 구한 측정값(glass transition temperature, solubility parameter, density)의 7개 특성에 대한 데이터베이스를 구축했습니다. 고분자는 854개이고 H, C, N, O, S, F, Cl, Br, I의 9 원자 중에서 몇 가지로 이루어져 있습니다. 854개 고분자 모두가 7개 특성치를 다 가지고 있는 것은 아닙니다. Tg 데이터는 451개 고분자, 유전상수는 384개 고분자에 해당하는 데이터가 있습니다.본 보고서에서는 fingerprint를 3개의 분류로 나누고, 그 개수를 달리하면서 ML 학습을 수행하였습니다.5)  3개 분류의 첫 번째는 작은 스케일인 원자 레벨을 고려하였습니다. 예를 들어 고분자 화학구조를 원자 3개로 이루어지는 atom triple 상태로 나누어 표기하는 것입니다(atomic level descriptor, A 그룹). 다음으로는 중간단계 스케일로서 QSPR(quantitative-structure property relationship)에 적용하는 것과 같이 방향족 그룹과 지방족 그룹 비율, 단일 결합을 하는 sp3 C의 비율 등으로 나타내는 것입니다(QSPR descriptor, Q 그룹). 마지막으로는 큰 스케일로서 분자 내의 ranch 그룹 길이, 강직한 방향족 사이 거리, 주쇄 길이 등으로 나타내는 것입니다(morphological descriptor, M 그룹).5) Chiho Kim; Anand Chandrasekaran; Tran Doan Huan; Deya Das; Rampi Ramprasad; Journal of Physical Chemistry C. 2018, 122, 17575-17585.고분자 연구자는 전문지식을 이용하여 A, Q, M그룹에서 다양한 fingerprint를 만들어 낼 수도 있고 각각 fingerprint를 조합할 수도 있습니다, 예를 들어 A1A2, AQ, QM, AQM 등과 같이하여 다양한 fingerprint를 만들 수 있습니다, Fingerprint를 생성하고 조합하는 것은 고분자 전문가 지식에 크게 좌우됩니다. 일반적으로 fingerprint 개수가 많아질수록 정확도를 높일 수 있지만, 복잡해져서 ML 학습이 어려워집니다. 그림 8(a)의 가장 오른쪽에 있는 그림에 나타낸 바와 같이 feature 수가 증가하면 에러가 줄지만, 일정 값 이상에서는 오히려 에러가 커지고 있습니다. 일정 값 이상으로 커지면 쓸모없는 값들이 포함되므로 정확도가 떨어질 수 있습니다. 최적 feature 수가 있음을 나타내고 있습니다. 최근에는 fingerprint를 선정해 주는 툴도 나와 있습니다. 그림 8(b, c, d, e)에 fingerprint에 따라 정확도가 영향을 받는 것을 나타내었습니다. A에서 108개, Q에서 99개, M에서 22개의 fingerprint를 정해서 여러 알고리즘에 적용해 보았습니다. 그림 8의 (b)는 A 그룹 feature만을 사용해서 예측한 Tg 결과이고, (c), (d)는 각각 AQ, AQM으로 feature를 조합해 더 많이 사용한 결과입니다. 이때 training은 854개 중 360개 고분자를 대상으로 하였으며, 91개 고분자를 사용하여 검증 test를 실시했습니다. Feature 수가 확대됨에 따라 예측정확도를 나타내는 R2 값이 1에 가까워지고 있고, test 시 편차를 나타내는 RMSE 값도 51K에서 33.6K로 작아지고 있음을 할 수 있습니다. 즉 feature를 AQM으로 확대하면 더 정확히 예측할 수 있습니다. 또한 학습(training)으로 구한 예측값보다 그 조건을 가지고 91개에 대해 검증 test 결과의 R2 값이 작음을 알 수 있습니다. 검증 test의 데이터는 학습 데이터와 달라졌기 때문에 예측정확도가 떨어지는 것입니다.그림 8(e)은 최적 feature 수로 예측한 값을 보여주고 있습니다. 학습과 테스트의 정확도가 모두 높아졌고 편차도 크게 줄었습니다. 비슷한 방법으로 Tg 이외에 밴드갭, 유전상수, 굴절률, 밀도 등 다른 특성들도 예측할 수 있는 feature 종류 및 개수를 정할 수 있습니다. 발표 논문에 의하면, 최적 feature 개수는 굴절률은 19개로 작았고, atomic energy는 207개로 많았습니다.2) 고무배합 데이터로부터 물성예측한국화학연구원 화학소재소재은행은 2007년부터 플라스틱, 고무 등의 특성 데이터베이스를 구축해 오고 있습니다. 화학소재정보은행은 특히 용도별 고무 컴파운드의 조성비, 공정, 물성 정보 등을 실험을 통해 구축해 왔으며, 현재 배합 800건과 물성 15,500건이 있습니다. 고무배합 데이터베이스에는 고무 11종과 카본블랙, 실리카, 무기물 등 충전재가 있습니다. 고무 소재개발에서는 원료 고무, 충전재, 가황물 등 조성비와 공정조건 변수에 따라 고무 물성이 달라집니다. 구축된 고무배합 데이터베이스를 사용하여 ML 연구를 수행하였습니다.데이터 전처리 과정을 통해 고무 컴파운드 및 물성의 이상치(outlier)를 제거하여 컴파운드 445종의 데이터를 준비하였습니다. 준비된 데이터는 7:3 비율로 학습과 테스트 셋으로 나누었으며, 가교 후 비중, 인장강도, 인장탄성률, 압축탄성률, 마모도의 물성을 예측하였습니다. 예측 모델은 머신러닝 알고리즘인 SVR(Support Vector Regression), RFR(Random Forest Regression), ETR(Extra-tree Regression)을 사용하였고, 모델마다 하이퍼-파라미터(Hyper-parameter) 최적화를 수행하였습니다. 평가는 테스트 셋의 R2(R-squared), RMSE(Root Mean Squared Error), MAE(Mean Absolute Error)를 사용하여 실시하였습니다. SVR 모델의 하이퍼-파라미터에는 C(cost), gamma, epsilon이 있습니다. C는 데이터가 다른 분류에 놓이는 것을 어느 정도 허용하는 파라미터이며, gamma는 결정 경계의 곡률을 결정하는 파라미터입니다. C와 gamma는 모두 커지면 알고리즘의 복잡도가 증가하여 과대 적합(overfitting) 되고, 작을수록 복잡도는 낮아져 과소 적합(underfitting) 될 가능성이 큽니다. RFR과 ETR 모델에는 n_estimators, max_leaf_nodes 등의 하이퍼-파라미터가 있습니다. n_estimators는 생성할 의사결정 나무 개수이며, 생성한 의사결정 나무 개수만큼 앙상블로 모델을 학습시키게 됩니다. Max_leaf_nodes는 최대 잎의 개수를 의미합니다. 모델마다 데이터에 적절한 하이퍼-파라미터를 찾아야 우수한 예측 모델을 만들 수 있습니다.고무배합 데이터를 SVR 모델에 적용하여 물성의 최적화 하이퍼-파라미터를 측정하였습니다. 파단 인장강도에서는 C=1, gamma=0.008에서 최적화되었습니다(그림 9). RFR과 ETR 모델의 경우 n_estimators보다는 max_leaf_nodes에 의해 물성예측을 최적화하였습니다. 하이퍼-파라미터 최적화 조건에서 모델별로 비중, 인장강도, 인장탄성률 등의 5개 물성을 예측한 결과, 테스트 셋에서 예측 물성 평균 R2는 SVR 0.81, RFR 0.88, ETR 0.90이었습니다. 학습한 모델에서 학습 셋 대비 테스트 셋의 오차율은 SVR 9.23%, RFR 8.25%, ETR 7.72%이었습니다. 그림 10에 ML 모델별로 파단 인장강도 예측값을 비교하였습니다. 학습모델 중에 ETR이 R2 0.89, RMSE 2.31 값을 보여 가장 우수한 알고리즘으로 나타났습니다.3) 능동학습을 이용한 접착제 개발일본 NIMS 연구진은 ML을 활용하여 고성능 접착제 개발 연구를 하였습니다. 접착제는 주제, 경화제와 다양한 첨가제를 원료로 하고 온도, 압력 등의 성형조건에 따라 특성이 크게 달라집니다. 앞서 언급한 바와 같이 실험데이터 수는 small인 경우가 많습니다. 본 연구에서도 32개 적은 수의 조성에 대한 접착강도 데이터를 가지고 feature와 알고리즘을 1차로 정했습니다. 여기에 15개 조성의 실험을 추가해서 특성을 더 정확하게 예측할 수 있도록 feature와 알고리즘을 확정하였습니다. 이를 능동학습이라 합니다. 다음에 확정된 feature와 알고리즘을 사용하여 우수한 특성을 나타낼 수 있는 약 1,000개의 조성을 제안하고 그중에서 4개 조성을 실험하였습니다. 접착력 측정 결과 36MPa이라는 높은 접착강도를 나타내는 접착제 조성을 알 수 있었습니다. 만약 약 1,000개 조성에 대해 실험을 했다면 1년 이상의 긴 기간이 필요했겠지만, AI 능동학습을 통해 수일 만에 우수한 접착제 조성을 얻을 수 있었습니다(그림 11).3.1 학술 동향화학소재에 ML을 이용하여 특성을 예측하려는 연구가 최근 활발합니다. 유기 태양전지, OLED, 고분자 태양전지, 고에너지 소재, 고 굴절률 폴리이미드, 고 열전도성 고분자, drug-like 분자 등에 ML 연구 결과가 발표되었습니다. 전환효율, 유전상수, 밴드갭, 굴절률, 열전도도, HOMO/LUMO, biological 특성 등을 예측하기 위한 9개의 ML 연구결과를 표 2에 정리하였습니다. 사용된 데이터베이스로는 자체 구축한(self-build library) 경우가 많았으며, 데이터 크기는 수십 개의 스몰 데이터부터 수백만 개까지 큰 차이가 있습니다. 본 글에서 설명한 feature는 표 2의 representation column에 있는 내용으로 저자마다 표현을 다르게 사용하고 있습니다. 표 2의 제일 오른쪽 column에 보이는 바와 같이 알고리즘으로는 MLR, KRR, ANN, SVM, Bayesian model, DNN, RL 등 다양한 종류가 사용되고 있습니다. 소재개발은 원료, 공정, 특성, 응용 등 다양한 관점에서 연구가 진행됩니다. 소재개발을 위한 ML 연구에서 feature와 알고리즘 적용도 연구자 및 소재개발 특성에 따라 달라집니다. Domain Knowledge를 갖춘 소재 전문가와 데이터 과학자의 협력으로 최적 feature와 알고리즘을 알아낼 수 있습니다. 즉, 전문지식과 협력, 경험이 중요합니다. 3.2 일본 화학기업의 인공지능 활용 AI 기술에 관심을 두는 일본 화학기업들이 최근 급격히 늘고 있습니다. 공정 최적화, 이상징후 사전탐지, 품질관리 등 사례가 많으며 소재개발에도 활용되고 있습니다. MI가 소재개발에 적용되는 주요 분야는 화학구조나 생산 레시피와 제품 특성 관계 데이터베이스를 구축하고 학습하는 것입니다. 개발 소재의 특성 예측이 첫 목표이지만, 역으로 원하는 특성을 가지는 소재 구조(레시피)를 추천할 수 있는 feature와 알고리즘을 구축합니다. 이를 통해 개발 경비를 줄이고 사업화 속도를 빠르게 하여 기업의 경쟁력을 높일 수 있습니다.NEC 같은 IT 기업도 MI 연구를 활발히 하고 있습니다. NEC는 중앙연구소에서 열전 개발에 대한 MI 기술을 축적해 왔으며, 그 know-how와 데이터 인프라를 판매하고 있습니다. 데이터 인프라에는 실험데이터베이스, 데이터 가시화 툴, AI 분석 툴 등이 포함되어 있습니다일본 기업들은 데이터 과학 인력확보에도 큰 노력을 기울이고 있습니다. 전문가뿐 아니라 일반 연구원 혹은 소속원 대부분이 데이터를 이해하고 쉽게 활용할 수 있는 능력 갖추기를 목표로 하는 기업들이 나타나고 있습니다. 표 3에 일본 기업들의 최근 MI 연구 및 활용 사례를 정리했습니다.최근 인공지능 기술이 유행함에 따라 국내외 화학기업들 대부분이 MI에 관심이 있으나 생산이나 연구개발에 유용하게 활용하는 기업은 많지 않습니다. 그 이유로는 데이터의 축적, 경험, 전문인력이 부족하기 때문입니다. 연구소나 기업마다 그동안 실험으로 측정한 데이터를 다량 갖고 있으나 개인 노트나 보고서에 흩어져 있으며 이를 모으고 정리한 대형 데이터베이스를 구축한 곳이 적습니다. 원하는 소재개발에 적합한 데이터 수가 적으므로 MI 기술 예측정확도가 낮습니다. MI 기술을 실제로 다루어 보면 쓸만한 데이터가 많지 않으므로 제일 먼저 데이터베이스 구축 투자를 해야 합니다. 일본에서도 최대 화학기업인 미쓰비시케미칼을 비롯하여 데이터베이스 구축을 서두르는 기업들이 많아지고 있습니다.다음으로 수행하고자 하는 분야별 데이터를 분석해서 전문지식을 기반으로 최적의 feature를 정하고 알고리즘을 만들거나 외부와 협력하여 예측과 설계를 해보는 노력이 필요합니다. 국내외 기업 모두 경험과 인력이 부족한 실정입니다. Feature와 알고리즘이 최적화되면 실증테스트를 반복해서 예측정확도를 높여야 합니다. 이는 장시간의 노력과 예산이 많이 듭니다. 이렇게 분야, 단계마다 각고의 노력이 요구되므로 더 각별한 노력과 숙성기간이 필요합니다.MI 기술을 잘 활용하려면 IT 기업과의 협력이 중요합니다. 협력을 심층적으로 하려면 회사의 노하우나 비밀이 노출되고, IT 기업들이 이를 배우게 됩니다. IT 기업이 주도권을 갖게 되고 화학기업들은 하청업체로 전락할 수도 있습니다.어려움이 있지만, 화학기업에 있어서 MI 연구는 피할 수 없는 대세입니다. 세계적으로 대부분 기업이 MI 기술 활용 초기 단계에 있습니다. 국내 기업들도 두려워하지 말고 자체 노력과 협력으로 역량을 쌓아 이른 시일 안에 MI 기술이 경영과 연구개발에 실질적으로 활용되기를 바랍니다. 
편집부 2020-10-05