푸단대학교 연구팀의 이온성 액체 선별과 고분자 전해질 제작 사례를 소개하고, 후보 탐색 뒤 이어진 전기화학 검증의 역할을 살펴봅니다.소식 날짜: 2024-06-14 · 한국어 요약·해설먼저 읽는 핵심 2,220개 후보를 계산·신경망으로 선별한 사례 NEWARE 장비로 전기화학 성능을 검증01. 계산으로 줄인 이온성 액체 후보2024년 소개된 푸단대학교 연구는 양이온·음이온 조합으로 만든 2,220개 이온성 액체 후보에 양자화학 계산과 그래프 합성곱 신경망을 적용했습니다. 상온 액체 상태, 이온전도도와 안정 전위 범위를 함께 고려해 고분자 전해질에 쓸 성분을 선별했습니다.02. 전도성과 기계적 지지를 함께 설계이온성 액체는 양이온·음이온 조합이 많아 하나씩 제조해 평가하면 탐색 범위가 커집니다. 연구팀은 계산 정보와 신경망을 결합해 상온 상태, 이온 이동과 안정 전위 범위를 함께 고려하고, 선택한 성분으로 약 50μm 두께의 고분자 전해질을 제작했습니다. 단순히 이온이 잘 움직이는 액체를 찾는 데서 끝나지 않고 얇은 막의 기계적 강도도 확보하려는 접근입니다. 단단한 막대형 고분자 구조의 이점을 실험으로 확인하는 과정이 포함돼, 예측 점수와 실제 셀 성능을 연결할 수 있었습니다.03. 예측 후보의 실험적 검증선별 결과를 바탕으로 얇고 기계적 강도를 갖춘 이온 전도성 고분자 전해질을 만들고 리튬금속전지 적용을 평가했습니다. 전기화학 시험에는 NEWARE 장비가 사용됐습니다. 데이터가 제한된 소재 연구에서도 계산 기반 탐색과 실제 충방전 검증을 연결한 사례입니다.이해를 돕는 추가 해설04. 예측하지 못한 후보에서 배우는 방법기계학습이 높은 점수를 준 후보만 실험하면 모델이 이미 익숙한 영역의 성과는 확인하기 쉽지만, 놓친 영역을 찾기는 어려울 수 있습니다. 예측이 좋은 후보와 함께 성격이 다른 후보를 제한적으로 비교하면 어느 조합까지 모델이 통하는지 살펴볼 수 있습니다. 후보 순위를 정하는 능력과 낯선 화학 구성을 설명하는 능력은 같은 평가가 아닙니다.실험 결과가 예측과 다를 때는 그 차이를 실패로만 처리하지 않고 입력 정보와 실험 조건을 다시 연결할 수 있습니다. 데이터에 없던 특성 때문인지 측정 조건이 달랐는지 검토하면 다음 학습에 필요한 정보가 구체화됩니다. 특히 여러 물성을 동시에 만족해야 한다면 종합 점수만 남기지 말고 각 물성의 예측과 측정을 따로 기록하는 편이 어느 목표에서 오차가 생겼는지 이해하는 데 도움이 됩니다.적용·해석 예시05. 같은 화학 구조에 서로 다른 정답이 붙은 경우가상의 학습 표에 화학 구조만 입력되어 있는데 같은 후보의 측정값이 서로 다른 온도에서 얻어졌다고 해보겠습니다. 모델 입장에서는 같은 입력에 다른 정답이 붙어 보일 수 있습니다. 이를 모두 무작위 측정 오차로 취급하면 조건에 따른 차이를 놓칩니다. 구조를 설명하는 정보와 물성을 측정한 조건을 연결해야 모델이 무엇을 예측하도록 학습했는지 분명해집니다.목표가 한 온도에서의 후보 순위라면 그 조건의 자료로 비교할 질문을 만들 수 있고, 여러 온도에서의 변화를 예측하려면 조건을 모델이 구분할 수 있어야 합니다. 두 목표를 섞으면 높은 평균 정확도가 필요한 사용 조건의 정확도를 보장하지 않을 수 있습니다. 예측값을 물질 이름에만 붙이기보다 조성·상태·조건에 대응시키면, 실험 결과가 달라졌을 때 모델의 한계인지 입력 정보의 누락인지 조사할 출발점이 생깁니다.관련 안내NEWARE를 더 알아보세요소재·코인셀 연구 ↗설치 현장 살펴보기 ↗PDF 사양서 찾기 ↗시험 구성 문의 ↗기술·새소식 전체 글 보기
