Research

촉매 스크리닝을 대규모로 빠르게 돌리는 머신러닝 도구를 만들고 있습니다. ARK(Angular Relational Knowledge Distillation)는 큰 teacher MLIP을 7배 작은 student 모델로 줄이면서 50배 빨라지고, 표면 반응에 중요한 angular interaction은 그대로 살립니다. CatBench는 14개 universal MLIP을 47,000건 이상의 흡착 반응에 걸어보며, multi-class anomaly detection으로 평소 지표에는 안 보이는 실패 모드까지 잡아냅니다.

이외에도 사전학습된 MLIP을 우리가 원하는 촉매 시스템에 적은 DFT 데이터로 길들이는 domain-specific finetuning 파이프라인, 열역학적으로 안정한 바이메탈 나노촉매를 설계하는 생성 확산 모델(generative diffusion)도 만들고 있습니다. CatAgent는 가설 생성, surrogate model 평가, critic 피드백을 스스로 조율하는 multi-agent LLM 시스템이고, 전기촉매 탐색에서 무작위 탐색 대비 2.27배 높은 발견율을 냅니다.

AI 예측과 실험 현실 사이의 간극을 메우는 연구입니다. MLIP 기반 분자동역학으로 최대 10,000개 원자 규모의 촉매 나노구조를 나노초 타임스케일에서 돌려봅니다. 기존 surface slab 모델이 못 다루던 mesoscale 동역학을 원자 수준 DFT 정확도로 재현합니다.

산화물 지지체 위 단원자 촉매부터 실제 나노입자 형상까지, 다양한 스케일을 아우르는 멀티스케일 접근법을 씁니다. 이걸로 크기 의존적 산소 전달 메커니즘, 계층적 세리아 구조에서의 격자 산소 동역학, 반응 조건 아래 facet별 재구성 현상을 규명하고 있습니다. 현재 이 체계를 전기화학 계면으로 넓혀, 촉매 표면의 explicit solvation, proton-coupled electron transfer, 전해질 이온 효과를 모델링합니다. 모든 예측은 실험 연구자와 직접 손잡고 ambient-pressure XPS, in-situ Raman, XANES, 방사광 분석으로 맞대봅니다.