부산대학교 화학공정연구팀(정용철 교수, 자오 구오빈 박사, 자오 펑유 연구원)은 최근 금속-유기 골격체(MOF)의 계산 준비성 (computation-readiness)를 정확하게 판별하는 머신러닝 모델 ‘MOFClassifier’를 개발해, 세계 최고 권위 화학 분야 학술지 Journal of the American Chemical Society (JACS)에 Communication으로 게재했다. 이 모델은 계산과학 기반 소재 탐색에서 중요한 구조 데이터 오류 문제를 효과적으로 분류할 수 있는 툴로 계산시간을 줄일 수 있다. Communication은 중요한 과학적 발견을 신속히 알리기 위해 채택되는 형식으로, 이번 성과가 그만큼 참신성과 시급성을 인정받았음을 의미한다.

MOF는 가스 저장, 분리, 촉매 등 다양한 첨단 응용 분야에 활용될 수 있는 다공성 결정 구조체로, 수만개의 실험으로 보고된 구조가 존재하기에 계산과학을 기반으로 한 소재 성능 탐색이 필수적이다. 그러나 기존 CoRE MOF 데이터베이스에는 구조적·화학적 오류가 포함되어 있는 경우가 많아, 고속 계산 스크리닝의 정확도와 효율성에 대한 여러 문헌에서 그 한계가 지적되어 왔다. 이를 타개하기 위해 기존에 개발된 규칙 기반 알고리즘들이 존재하지만 이들은 특정 오류들만을 판별하는 데 한계가 있으며, 잘못된 음성(false-negative) 오분류 문제도 존재했다.

연구팀은 이러한 문제를 해소하기 위해 PU-CGCNN (Positive-Unlabeled Crystal Graph Convolutional Neural Network) 기반의 머신러닝 모델을 구축하였다. 이 모델은 이상적인 결정구조로 오류가 없는 결정 구조를 학습하여 CLscore (crystal-likeness score) 를 예측하고, 구조적 정합성이 높은 MOF를 효과적으로 선별한다. 모델의 ROC 값은 0.979로, 이전 최고 기록인 0.912를 크게 능가한다. 특히, 기존 룰 기반 방식으로는 포착하기 어려웠던 미세한 구조·화학적 오류를 감지할 수 있으며, 오분류된 유망 후보들을 정확히 복구해, 오류로 인해 배제될 뻔한 소재를 다시 확보 할 수 있게 되었다.

정용철 교수는 “MOFClassifier는 대량 전산 스크리닝에 앞서 결정 구조 데이터 오류를 높은 정확도로 분류 할 수 있는 중요한 도구”이라며, “앞으로 이러한 방법론들을 개발하여 전산 기반 고성능 MOF기반 신소재 발굴 연구를 지속해 나갈 것”이라고 밝혔다.

논문링크: https://pubs.acs.org/doi/full/10.1021/jacs.5c10126

*사진 : 왼쪽부터 정용철 교수, 자오 구오빈 박사, 자오 펑유 연구원