신소재경제신문·재료연구소 공동기획 소재기술백서 2017(26)-제4장 빅데이터 이용 소재 개발-소재정보학 기반 소재설계기술(1)-집필 김형준(KAIST)

신소재경제신문·재료연구소 공동기획 소재기술백서 2017(26)-제4장 빅데이터 이용 소재 개발-소재정보학 기반 소재설계기술(1)-집필 김형준(KAIST) - 정보학 기반 연구·저변 확대 중요

기사등록 2020-02-28 15:13:40
수정 2020-03-03 15:13:18

재료연구소가 발행한 ‘소재기술백서’는 해당분야 전문가가 참여해 소재 정보를 체계적으로 정리한 국내 유일의 소재기술백서다. 지난 2009년부터 시작해 총 9번째 발간된 이번 백서의 주제는 ‘4차 산업혁명 대응소재’다. 센서, 3D프린팅, AI용 반도체, 빅데이터 이용 소재 개발 등으로 나눠 각 분야별로 가치 있고 다양한 정보를 담았다. 이에 본지는 재료연구소와 공동기획으로 ‘소재기술백서 2017’을 연재한다.

정보학 기반 연구·저변 확대 중요

■ 기술의 개요

기존의 물성을 뛰어넘을 수 있는 우수한 신소재를 실험적으로 또는 이론적으로 개발하는 것은 매우 어려운 동시에 매우 도전적인 과제라고 할 수 있다. 신소재 개발 과정에서의 시행착오를 최소화하여 개발 효율을 높이기 위해서는 개발하고자하는 소재 시스템의 원천적인 특성과 기저 메커니즘을 잘 파악하는 것이 필수적이다. 이를 위해 다년간 다방면으로 수집되어있는 소재 정보들을 집합적으로 분석하여 활용하는 소재정보학 기반 소재설계기술이 최근 주목을 받고 있다. 신약 개발을 중심으로 한 바이오 분야에서는 정보학 기반 신규 물질 개발이 이미 상당한 비중으로 자리를 잡고 있다고 볼 수 있다. 그러나, 신소재 설계 분야에서는 원자/분자 수준에서 벌크 수준까지의 특성 전이가 합성/가공 조건, 입자의 형태 특성 등 매우 많은 외부 요인에 의해 잘 이루어지지 않기 때문에 아직 초기단계이다. 하지만 최근 컴퓨터 성능 및 알고리즘의 급격한 발전으로 인해 소재 관련 데이터베이스의 자동 구축, 기계 학습을 통한 해석 및 예측, 그리고 병렬 컴퓨팅을 통한 원자수준의 물성 평가 등을 통해 그 저변이 확대되고 있다. 즉 아래 그림에서와 같이 소재정보학 기반 소재설계기술이 성공적으로 발전하기 위해서는 정보기술(information technology, IT) 플랫폼과 재료과학(material science) 플랫폼의 원활한 융합이 필수적이라고 볼 수 있다.

■ 기술의 정의 및 분류

기본적으로 정보학 기반 소재개발 연구는 아래 그림에서와 같이 데이터베이스를 기반으로 핵심 물성 요소를 식별 또는 설정하고 시뮬레이션을 통한 모델화 및 예측을 통해 목표로 하는 신소재 시스템을 개발하는 과정을 의미한다. 하지만 정보학 기반 연구 프로세스 각각의 단계를 성공적으로 수행하기 위해서는 원자 수준 소재 구조에서부터 최종 시스템 엔지니어링까지의 방대한 실험적/이론적 지식과 경험을 필요로 한다. 따라서 넓은 의미에서의 소재정보학 기반 소재개발 기술은 실험을 기반으로 하는 고전적 연구 프로세스와 정보학 기반 연구 프로세스의 상호보완적인 협업 과정을 아우르는 총체적 개념으로 정의할 수 있다.

여기서 예측할 수 있듯이 정보학 기반 소재개발 연구는 가장 밑바탕이 되는 데이터의 양과 질이 충분해야 성공적으로 이루어질 수 있다. 그러나, 그 수준이 어느 정도인지는 목표하는 신소재 시스템의 특성에 따라 크게 달라질 수 있기 때문에 정확히 기준을 세우기에는 무리가 있다. 데이터의 종류는 물질의 화학적 조성, 반응 경로, 결정 구조, 미세 구조, 제조 공정 변수 등 매우 넓은 범위를 이루며, 또한 이들 간의 복잡한 상호작용으로 최종 소재의 물성이 정의되기 때문에 정보학 기반 소재 개발 기술은 어떠한 데이터를 어떻게 수집할 것인가에 관한 정보수집(data mining) 기술과 수집된 데이터를 어떠한 기준으로 어떻게 해석할 것인가에 관한 정보해석(data analysis) 기술로 크게 나누어 볼 수 있다.

■ 기술의 원리

먼저 정보수집 기술은 개발하고자 하는 목표 소재 시스템의 특성에 맞추어 다양한 경로로부터 신뢰도 있는 실험적 측정 결과나 이론적 계산 결과들을 수집하여 데이터베이스화 하는 일련의 과정을 의미한다. 재료과학 분야에서 일반적으로 통용되는 정보는 크게 두 가지로 나눌 수 있는데, 인장강도(tensile strength)와 같이 주어진 재료의 기계적/물리적 거동에 관련된 물성 정보와 생성열(heat of formation)과 같이 재료의 화학적 조성과 구조에 관련된 내재적 정보이다. 후자의 경우 정보의 형태와 범위가 명확하여 재료과학 분야에서 오랜 기간 동안 결정구조 데이터베이스와 열역학 데이터베이스로 체계적으로 구축되어 왔고, 재료정보학 연구의 좋은 출발점이 되고 있다.

한편 재료의 물성과 관련된 정보는 재료의 다양한 합성/가공 및 평가조건 아래에서 엄밀하게 표준화하기 힘든 실험적 측정 결과에 주로 의존할 수밖에 없기 때문에 체계적이고 방대한 데이터베이스의 구축이 어려운 실정이다. 하지만 이러한 물성 정보는 설계하고자 하는 재료의 최종 특성과 직접적인 연관성을 갖고 있기 때문에 어떠한 방법으로 최대한 표준화된 물성 정보를 구축할 수 있는지가 정보학 기반 소재설계 과정에서 차별화 할 수 있는 부분이라고 볼 수 있다. 특히 최근 실험적으로 수집할 수 있는 제한적인 물성 정보를 최대한 확장하기 위해서 다양한 컴퓨터 시뮬레이션 기법들을 활용해서 물성 정보를 재구축하는 시도가 많이 이루어지고 있다. <그림 3-4-2-3>에 표시한 바와 같이 원자 수준에서 전자구조 정보를 해석하는 양자역학 시뮬레이션에서부터 공정 수준의 최적화 시뮬레이션 기법까지 각각의 물리적 스케일에 맞는 다양한 시뮬레이션 기법들이 공고히 개발되어 있다. 각각의 시뮬레이션 기법들은 물리적으로 계층적인 상호연관성이 확립되어있기 때문에 재료의 내재적 특성으로부터 현상학적 물성까지 체계적으로 도출해낼 수 있는 장점이 있으며, 실험적으로 구현하기 어려운 재료의 특성까지 가상으로 평가할 수 있다. 이와 같은 컴퓨터 시뮬레이션 기법들을 활용해서 데이터베이스를 구축하여 정보학기반 소재설계 연구에 활용하고자 하는 시도가 다양하게 이루어지고 있다.

다음으로 정보해석 기술은 다양한 통계적 기법, 기계학습 기법 등을 활용하여 방대하게 수집된 데이터베이스 항목들 간의 유의미한 상관관계를 찾아내는 정보학기반 소재설계 연구의 핵심이 되는 부분이다. 이 기술은 집락분석(cluster analysis), 예측모델링(predictive modeling), 연관성분석(association analysis), 이상탐지(anomaly detection) 등의 핵심 수학적 분석 기법들로 이루어지는데 재료과학 분야에서는 특정 물성이 다중 변수에 의해 결정되는 경향이 있고 물리화학적 변화를 수반한 경우가 많기 때문에 단순히 수학적 기술로만 접근할 수 없어 난이도가 상당히 높은 편이다. <그림 3-4-2-4>의 성공적인 데이터마이닝 사례에서 볼 수 있듯이, 재료의 화학적 조성과 기계적 물성 등이 단순한 선형관계를 갖는 것이 아니라 특정한 집락을 구성하며 개별적인 상관관계를 나타내는 것을 알 수 있다. 이와 같은 결과를 도출하는 것이 정보학기반 소재개발 연구의 핵심이며, 이를 통해 개발하고자 하는 소재의 종류와 물성에 맞게 적절한 후보 재료들을 선정할 수 있고 다양한 실험적/이론적 탐색(screening)기법들을 활용하여 실제 소재로써 구현할 수 있게 된다.

■ 4차 산업혁명 관점에서 기술의 중요성

현재 딥러닝(deep learning) 기술을 필두로 한 인공지능 및 컴퓨터 기술의 발전으로 4차 산업혁명 이라고 하는 산업 분야 다방면으로 자동화와 연결성이 극대화되는 산업 환경의 급격한 변화를 목전에 두고 있다. 이러한 환경에서 노동 집약적 특성을 갖는 고전적인 소재 개발 연구 프로세스는 점점 더 경쟁력을 잃어갈 것이 분명하다고 볼 수 있다.

특히 앞으로 우주 산업, 반도체 산업, 에너지 산업 등 주요 고부가가치 소재 산업에서 경쟁이 치열해질 것이기 때문에, 소재 개발 과정의 효율을 높이기 위해서는 정보학 기반 연구 및 관련 기술들의 저변 확대가 매우 중요한 상황이다. 정보학 기반 연구 분야가 중요한 이유는 비단 첨단 IT 기술과 접목되어 있기 때문만이 아니라, 기존의 여러 산업 분야의 기술적 한계점을 지금까지 축적된 정보를 재해석하여 뛰어넘을 수 있으리라 예상되기 때문이다. 하지만 앞서 언급하였듯이 부분적으로 산재되어있는 수많은 실험적/이론적 정보들을 수집하고, 복잡하게 얽혀있는 변수들의 상관관계에서 의미 있는 방향성을 도출하며, 더 나아가 합성/가공이 가능한 소재를 가시화 해내야 하는 일련의 과정이 매우 도전적인 과정임을 잘 인지해야 한다. 다음 장에서는 성공적인 정보학 기반 소재개발 연구의 대표적인 사례들에 대해 알아보도록 하겠다.

기술적 한계점 축적된 정보 재해석으로 뛰어넘어

합성·가공 가능한 소재 가시화 등 향후 과제 산적

■ 유기태양전지 소재 연구개발 동향

현재와 미래의 에너지 수요 충족을 위해서는 재생 가능한 에너지원을 사용해야한다. 재생 가능 에너지원 중에서 태양 전지를 통한 전기 생산은 에너지 원이 태양이다. 이 때문에 친환경적이며 무한한 잠재력을 가지고 있어 현재 주요 에너지원천인 화석연료가 가지고 있는 문제들을 해결할 수 있을 것으로 기대된다. 이런 태양전지 중에서도 개발된지 25년밖에 안되었지만 유기태양(organic photovoltaic, OPV)전지가 구성 원소가 풍부하고 저렴하며 합성이 쉽기 때문에 특히 유망한 기술로써 각광받고 있다. 현재까지 다양한 유기 화학 연구와 신규 소재 설계를 통해 유기태양전지의 성능을 향상시키는 노력이 진행되어 왔으며, 그 효율이 2002년 4%에서 2012년 10% 까지 크게 향상되었다.

향후 10년 이상의 수명, 15%에 가까운 전력 효율을 낼 수 있는 유기태양전지가 개발 되면 상업적으로 가용한 에너지 발전 기술로써 활용될 수 있으며 미래 환경 문제 해결에 큰 도움이 될 것으로 예상하고 있다.

유기태양전지는 전자 공여체(일반적으로 고분자 또는 작은 분자)와 전자 수용체(높은 전자 친화도를 갖는 분자)의 특성을 갖는 두 종류의 반도체 소재를 <그림 3-4-2-5>의 (A)와 같은 벌크이종접합(bulk heterojunction) 구조로 적층하여 구동된다. 전체 구동 과정은 <그림 3-4-2-5>의 (B)에 표시한 바와 같이 1) 광 흡수 및 엑시톤 형성 및 이동, 2) 공여체와 수용체의 LUMO 에너지 차이가 엑시톤의 분리를 야기, 3) 전자 및 정공이 각각 양극과 음극으로 이동, 4) 전하가 전극에서 수집되어 빛을 전류로 변환, 이렇게 네 가지 단계로 이루어진다.

유기태양전지의 효율을 높이기 위해 다양한 방법으로 최적의 전자 공여체와 수용체의 조합을 실험적/이론적으로 탐색하는 연구가 이루어지고 있다. 대표적으로 하버드 청정에너지 과제가 있으며 수백만개 수준의 후보 물질을 이론적인 화학계산 기법으로 스크리닝 하여 고성능 유기태양전지 소재 후보군을 찾아내는 것이 목표이다.

CEP에서는 전자 공여체로서 사용할 수 있는 최상의 화학적 구조와 조성을 갖는 분자를 찾기 위해 <그림 3-4-2-6>에 나와 있는 30개 유형의 이종 고리형 (hetero cyclic) 단위 분자 구조들을 기반으로 약 260만개의 가상 복합 분자 후보군을 먼저 구축했다. 상기 30종의 분자들을 가상 반응으로 연결시키거나 융합시키는 접근 방법을 사용하였고, 다양한 작용기를 적절한 위치에 추가시킴으로서 단량체의 종류 및 특징을 확장시킬 수 있었다.

태양전지의 전력변환효율(Power conversion efficiency, PCE)은 다음과 같이 정의된다.

위 식에서 Pin 은 입력되는 전력을 의미하며 FF는 충전 계수, Jsc 는 단락 전류 밀도, Voc 는 개방 회로 전압을 의미한다. 여기서 의미하는 충전계수란 최대출력 Jmax*Vmax 와 전지의 Jsc*Voc 의 비율을 의미한다. 즉 이 계수가 사용 가능한 최대 전력을 얻기 위해 장치의 용량을 측정하는 매개변수가 된다. 즉 태양전지성능 특성을 규정할 수 있는 매개변수는 PCE 및 이를 구성하는 변수인 FF, Jsc, Voc 이다. 참고로 Jsc 와 Voc 는 전자 공여체와 수용체의 내재적 물성에 의해 결정되는 값이며, FF는 태양전지의 형태와 장치의 구조에 의해 좌우되는 외부 변수라고 볼 수 있다.

가상으로 구축한 약 260만개의 분자 후보군의 물성을 실험이나 이론적인 계산을 통해 직접 구하는 것은 거의 불가능에 가깝기 때문에, 기존에 물성이 알려진 물질들을 대상으로 33개의 핵심 내재적 소재 특성 요소(descriptor)와 성능 매개변수 간에 다중선형회귀(multiple linear regression) 분석을 수행하였다. <그림 3-4-2-7>에서와 같이 상당히 선형적인 분석 결과를 얻을 수 있었고, 이를 기반으로 가상 분자 후보군의 성능인자를 예측하였다.

약 260만개 가상 분자 후보군의 물성을 상기 모델식에 적용하여 유기태양태양전지에 고성능 전자 공여체로써 사용될 수 있는 유력한 후보 물질을 스크리닝 하였다. Voc, Jsc, Voc*Jsc 이 세 가지 요소 각각에서 가장 높은 값을 가지는 분자가 어떻게 평가되는 지를 각 그룹에서 상위 10%를 선택하여 그림으로 표현한 것이 아래 그림이다.

상기 그림에서 알 수 있듯이 높은 Voc 값을 가질 것으로 예측된 분자 중에서도 일부만 높은 Jsc 값을 가지며, 반대도 마찬가지임을 확인할 수 있다. 이 둘의 곱이 큰 값을 가지는 분자들을 걸러냈을 때에는 대부분 높은 Jsc 값과 평균적인 Voc 값을 가진다는 것을 확인할 수 있었으며, 높은 Jsc 값을 갖는 경우와 더 많은 중첩 영역이 있다는 것을 알 수 있다. 이 사실은 고효율 단위체를 찾는데에 있어 Jsc 와 Voc*Jsc 두 값이 큰 경우에 적합한 분자가 될 높은 가능성을 제시한다.

결과에 대한 더 자세한 분석을 위해 적합한 전류-전압 특성을 갖는 상위 1000개의 분자에 대해 화학종을 분석한 결과, 높은 Voc 값을 갖는 분자의 경우 적어도 하나의 실리콘(Si) 원자를 가지고 있었으며, 높은 Jsc 값을 갖는 분자들의 경우 실리콘 원자가 공통적이지는 않지만 셀레늄을 포함하는 경우가 상당히 많았다. 아래 그림에 (A) 높은 Voc 값을 갖는 분자, (B) 높은 Jsc 값을 갖는 분자, (C) 높은 Voc*Jsc 값을 갖는 분자의 대표적인 구조를 표시하였다. 향 후 이론과 실험 간의 긴밀한 교차 검증을 통해 더욱 정확한 후보군을 추려낼 수 있을 것이다.