Artificial Intelligence for Materials Design Laboratory
Research Interests
기존 액체 전해질을 고체 전해질로 대체하여 화재 위험성을 완벽히 제거하고 에너지 밀도를 극대화하는 전고체 배터리(All-Solid-State Batteries) 시스템을 탐색합니다. 고체 전해질과 금속 음극 계면에서의 이온 이동 장벽 및 전기화학적 안정성을 제일원리 계산으로 정밀히 분석합니다.
기존의 시행착오식 소재 개발 방식을 혁신하기 위해 머신러닝(Machine Learning) 방법론을 도입합니다. 능동 학습(Active Learning), 생성 모델(Generative Learning, 예: MatterGen) 및 대형 언어 모델(LLM)을 활용하여 신소재 디자인을 가속화하며, 머신러닝 포스필드(MLIP, Machine Learning Interatomic Potentials)를 구축하여 DFT 수준의 정확도로 대규모 나노구조 및 계면의 동역학적 특성을 고속 모사합니다.
반도체 디바이스의 집적도 한계를 극복하고 차세대 신소재를 발굴하기 위해 반도체 관련 연구를 수행합니다. 원자층 증착법(ALD, Atomic Layer Deposition) 공정 중 일어나는 표면 화학 반응을 컴퓨터 시뮬레이션으로 규명하여 정밀 증착 메커니즘을 이해하고, 고성능 반도체 소자를 위한 차세대 신소재 및 최적 공정 조건을 예측하고 제안합니다.
차세대 친환경에너지 저장을 위한 핵심 기술인 전고체 배터리 시스템의 원자 수준 물리화학적 특성을 규명하고, 최적의 고체 전해질 및 전극 소재를 설계하는 연구를 수행합니다.
제일원리 계산(DFT, Density Functional Theory)을 기반으로 고체 재료의 전자 구조, 격자 열역학적 특성, 밴드 갭 및 에너지 장벽을 고정밀 계산합니다. 또한 원자 수준 분자동역학 시뮬레이션(AIMD)을 활용하여 온도의 함수에 따른 이온 이동 경로 및 확산 계수(Diffusion Coefficient)를 산출합니다.
인공지능 기반 방법론을 신소재 전산 설계 워크플로우에 통합하여 기존의 시행착오식 개발 방식을 혁신하고 소재 탐색 시간을 획기적으로 가속화합니다.
Materials Project 등 오픈소스 대용량 소재 데이터베이스를 분석 및 학습 데이터로 가공하고, PyTorch 기반 기계학습 모델 개발, 원자 단위 전하 및 포스 맵핑 워크플로우를 설계하여 가상 공간 상의 자동 스크리닝 플랫폼을 구현합니다.
초미세 반도체 소자의 집적화 한계를 극복하고 에너지 효율을 극대화하기 위해, 원자층 증착법(ALD) 공정 메커니즘을 원자 수준에서 시뮬레이션하고 신소재 채널 구조를 예측합니다.
표면 및 기판 계면에 대한 슬랩(Slab) 모델을 구성하여 표면 DFT 계산을 수행하며, 전이 상태(Transition State) 탐색 기법인 NEB(Nudged Elastic Band) 알고리즘을 사용해 반응 활성화 에너지(Activation Barrier)를 도출하고 최적의 가열 및 증착 조건을 제안합니다.
