Research

Research

분자 구조만으로 유기태양전지의 성능을 예측하는 머신러닝을 위한 분자 구조 디스크립터 개발

  • POSTED DATE : 2022-12-27
  • WRITER : 화학과
  • HIT : 280
  • Research Areas : Inorganic Chemistry
  • Researcher : 고두현 교수, 김규희 (석사과정), 이치형 (박사과정)

화학과 고두현 교수 연구팀 (공동 1저자 김규희 석사과정, 이치형 박사과정)은 새로운 분자 구조 디스크립터 (descriptor)를 개발하여 분자 구조 정보만으로 유기태양전지의 성능을 우수한 정확도로 예측하는 머신러닝 (machine learning) 모델을 구현하였다.


유기태양전지의 발전을 가속화시키기 위하여 머신러닝을 도입한 연구가 활발히 진행되고 있다. 

그러나, 대부분의 이전 머신러닝 연구에서 유기태양전지의 성능을 예측하기 위한 입력 정보로 에너지 준위 등의 화학적 특성들이 요구되었다. 

이러한 화학적 특성들은 실험 및 측정 혹은 수학적 계산을 통해 얻어지므로, 이전의 머신러닝 모델들은 불필요한 실험 수를 줄이고, 

수많은 유기태양전지 물질 조합들을 빠르게 스크리닝하는 플랫폼으로서의 실용성이 부족하였다.


고두현 교수 연구팀은 물질의 화학적/물리적 특성이 물질의 분자 구조 조각 단위들의 선형 조합으로 계산될 수 있다는 ‘Quantitative structure property relationship’을 기반으로, 분자 구조를 작은 조각 단위로 나누고 짧은 정수 매트릭스로 표현하는 새로운 분자 구조 디스크립터를 개발하였다. 이러한 분자 구조 디스크립터는 하나의 거대한 분자를 20개 이내의 정수로 표현하여 간단하고 직관적일 뿐만 아니라, 머신러닝 모델이 유기태양전지의 성능과 중요하게 연관되는 조각 단위를 식별하고 가중치를 부여할 수 있다.


연구진은 이러한 분자 구조 디스크립터를 사용해 어떠한 실험이나 계산 등과 같이 시간/노동 소모적인 과정 없이 물질의 분자 구조 정보만으로 유기태양전지의 성능을 예측값과 실험값 간의 피어슨 상관 계수 (Pearson correlation coefficient)를 0.86 이상의 우수한 정확도로 예측하는 머신러닝 모델을 구현하였다. 또한, 유기태양전지와 접합한 머신러닝 연구 중 최초로 이성분계 (binary)와 삼성분계 (ternary) 벌크 이종접합 (bulk heterojunction) 유기태양전지에 대해 보편적으로 구동 가능한 머신러닝 모델을 구축하였다.


이러한 연구 결과는 수많은 유기태양전지 재료를 스크리닝하여 유기태양전지의 발전을 가속화시키고, 새로운 고효율 유기태양전지 물질을 설계하기 위한 가이드라인을 제공할 수 있을 것으로 기대된다. 게다가 새롭게 개발한 분자 구조 디스크립터에 대한 아이디어는 유기태양전지를 포함한 재료화학의 다양한 분야로 확장될 수 있을 것으로 보인다.


본 연구는 2021년 정부 (과학기술정보통신부) 의 재원으로 한국연구재단과 한국에너지기술평가원 (에너지기술개발사업)의 지원을 받아 수행되었으며, 연구 결과는 세계적 권위의 화학 분야 학술지인 ‘Nano Energy (IF=19.069)’에 2022년 12월 14일 온라인 게재되었다.


※ 논문명 : Novel structural feature-descriptor platform for machine learning to accelerate the development of organic photovoltaics


※ 참여 연구진 : 김규희 (공동 1저자, 성균관대 석사과정), 이치형 (공동 1저자, 성균관대 박사과정), 김경수 (교신저자, 경희대 교수), 고두현 (교신저자, 성균관대 부교수)