Research

촉매 스크리닝을 대규모로 가속하기 위한 실용적인 머신러닝 도구를 개발하고 있습니다. ARK (Angular Relational Knowledge Distillation)는 큰 teacher MLIP를 7배 작은 student 모델로 압축하면서 50배 속도 향상을 달성하고, 표면 반응에 중요한 angular interaction을 보존합니다. CatBench는 14개 universal MLIP를 47,000건 이상의 흡착 반응에 대해 평가하고, multi-class anomaly detection을 적용해 일반 지표로는 보이지 않는 실패 모드를 드러냅니다.

이 외에도 사전학습된 MLIP를 목표 촉매 시스템에 맞게 조정해 적은 학습 데이터로 DFT 수준 정확도를 얻는 domain-specific finetuning 파이프라인과, 열역학적으로 안정한 바이메탈 나노촉매를 설계하는 generative diffusion model을 개발하고 있습니다. CatAgent는 가설 생성, surrogate model 평가, critic 피드백을 자율적으로 조율하는 multi-agent LLM 프레임워크로, 전기촉매 탐색에서 무작위 탐색 대비 2.27배 높은 발견율을 보여줍니다.

AI 예측과 실험 현실 사이의 간극을 메우는 연구입니다. MLIP 기반 분자동역학으로 최대 10,000개 원자 규모의 촉매 나노구조를 나노초 타임스케일에서 시뮬레이션합니다 — 기존 surface slab 모델로는 다룰 수 없는 mesoscale 동역학을 원자 수준 DFT 정확도로 재현합니다.

산화물 지지체 위 단원자 촉매부터 실제 나노입자 형상까지, 다양한 스케일을 아우르는 멀티스케일 접근법을 사용합니다. 이를 통해 크기 의존적 산소 전달 메커니즘, 계층적 세리아 구조에서의 격자 산소 동역학, 반응 조건 아래 facet별 재구성 현상을 규명하고 있습니다. 현재 이 프레임워크를 전기화학 계면으로 확장하고 있으며, 촉매 표면에서의 explicit solvation, proton-coupled electron transfer, 전해질 이온 효과를 모델링하고 있습니다. 모든 예측은 실험 연구자와의 직접 협업을 통해 ambient-pressure XPS, in-situ Raman, XANES, 방사광 분석으로 검증합니다.