스킵네비게이션

PNU 리서치

'정용철 교수팀, 탄소포집 신소재 탐색, 더 빠르고 정확하게'
응용화학공학부 정용철 교수팀, 탄소포집 신소재 탐색, 더 빠르고 정확하게 기계학습·공정 시뮬레이션 기반 MOF 데이터베이스 새롭게 구축


응용화학공학부 정용철 교수 연구팀이 차세대 탄소포집 기술 개발의 핵심이 될 수 있는 새로운 금속-유기골격체(MOF) 데이터베이스인 ‘CoRE MOF DB* 2024’를 공개했다. 


* CoRE MOF(Computation-Ready, Experimental Metal-Organic 𝖥ramework) DB: 실험적으로 합성된 금속-유기골격체(MOF) 구조 데이터베이스. 


이 데이터베이스는 기계학습 기반의 자동화된 결정 수집, 정제, 분류 워크플로우 개발을 통해 4만 개의 MOF 물질 중 고성능 탄소포집 후보를 빠르게 선별할 수 있어, 기존보다 훨씬 효율적인 소재 탐색을 가능하게 한다. 뿐만 아니라 연구팀은 이를 활용한 탄소포집 흡착순환 공정을 시뮬레이션해 기존 고성능 소재를 능가하는 차세대 MOF 소재 12종을 새롭게 발굴해 소개했다.


기후변화 대응의 핵심기술 중 하나로 꼽히는 ‘탄소포집’은 이산화탄소를 다른 기체들로부터 효율적으로 포집 및 정제하는 기술이다. ‘MOF’는 다공성 구조를 가진 소재로, 이산화탄소 같은 기체를 잘 흡착하는 성질이 있어 탄소포집 기술의 유망한 후보로 주목받고 있다. 하지만 기존의 CoRE MOF 데이터베이스는 수많은 MOF 구조를 포함하고 있음에도 불구하고, 구조 정보만 단순히 제공돼 실제 공정이나 경제성 분석에 바로 활용하기 어려운 한계가 있었다. 


이를 개선하기 위해 연구팀은 수집된 소재들을 분자모델링과 탄소포집 공정 시뮬레이션을 연계해 다양한 성과를 도출했다. 



【CoRE MOF 데이터베이스(DB) 구축 및 CO₂ 포집 소재 스크리닝 워크플로】 


연구팀은 MOF 데이터의 신뢰도를 높이기 위해 결정 구조 자동 수집, 정제, 분류 워크 플로우를 구축하고, 이를 통해 연례적으로 데이터베이스를 최신 상태로 유지할 수 있는 기반을 마련했다. 소재의 열적 안정성, 열용량 등 MOF의 성능을 평가하는 데 중요한 6가지 핵심 물성을 기계학습 모델을 활용해 예측했고 부여함으로써 실험 없이도 빠르게 후보 물질을 흡착순환공정 모델링을 통해 평가할 수 있도록 했다.


한편, 많은 계산 자원이 소모되는 밀도범함수 이론(Density Functional Theory, DFT) 연산으로 부분 전하(DDEC06)를 계산하는 대신, 고정밀 기계학습 모델로 대체해 수많은 MOF에 신속하게 적용할 수 있도록 했으며, 대표적인 탄소포집 공정인 온도순환흡착 공정(TSA, Temperature Swing Adsorption) 시뮬레이션을 통해 현재 상용화된 고효율 MOF 소재인 CALF-20보다 다양한 이산화탄소 조성에서 포집 효율이 뛰어난 MOF 12종을 새롭게 발굴했다.


전체 프로젝트를 이끌어 온 정용철 교수는 “AI 및 데이터 기반 신소재 연구가 도래함에 따라 소재 구조 데이터베이스 구축이 점점 중요해지고 있다. 또한, 소재 자체의 성능을 넘어 소재가 쓰이는 공정이나 디바이스 수준에서의 성능을 연계하여 예측하는 멀티스케일 모델링 방법론이 중요해지고 있다. 이번 연구는 새로 구축한 MOF 데이터베이스를 활용하여 소재 스크리닝과 공정 시뮬레이션을 하나로 연결해, 복잡하고 시간이 많이 걸리던 신소재 탐색 과정을 단축시키는 방법을 보여주었다”며 ”소재 자체의 성능뿐 아니라 실제 산업 공정에서의 적용 가능성까지 함께 평가하여, 이러한 소재-공정 연계 평가 기법들은 앞으로 탄소중립 핵심기술 및 신소재의 산업 도입 속도를 높이는 데 기여할 것”이라고 내다봤다.


이번 연구는 한국연구재단 중견연구 및 미래수소원천기술사업, 과학기술혁신인재양성사업(데이터사이언스)의 지원을 받아, 부산대 응용화학공학부 및 데이터사이언스대학원 정용철 교수가 교신저자, 자오 구오빈(Guobin Zhao) 박사과정생이 윤성현 박사과정생과 김해원 석사과정생의 도움을 받아 제1저자로 수행했다. 부산대를 비롯해 Northwestern, University of Minnesota - Twin Cities, Oak Ridge National Laboratory, University of California - Berkeley, Georgia Tech, MIT (미국), University of Toronto (캐나다), CNRS (프랑스), IMDEA Materials Institute (스페인) 등 국내외 11개 기관이 연구에 참여했으며, 국제 학술지 『Matter』 6월 4일자에 논문이 소개됐다.


- 논문 제목: CoRE MOF DB: a curated experimental metal-organic 𝖿ramework database with machine-learned properties for integrated material-process screening(CoRE MOF DB: 소재‑공정 연계 스크리닝을 위한 정제된 금속‑유기 골격체 데이터베이스)

- 논문 링크: https://doi.org/10.1016/j.matt.2025.102140 


* 상단 연구진 사진: 왼쪽부터 윤성현 박사수료생, 김해원 석사과정생, 정용철 교수, 자오 구오빈 박사과정생.



[Abstract]

We introduce CoRE MOF DB 2024, an openly accessible database of ∼14 k computation‑ready metal‑organic 𝖿ramework structures enriched with machine‑learned properties (stability metrics, heat capacities, DDEC06 charges, etc.). An upgraded MOFid 2.0 encodes metal nodes, organic linkers, and network topologies. Coupling the database with high‑fidelity temperature‑swing adsorption simulations enabled integrated material‑process screening for diverse CO₂‑capture scenarios, identifying a dozen MOFs predicted to outperform industrial benchmark CALF‑20. The automated curation pipeline allows continuous updates and can accelerate data‑driven discovery across adsorption‑based separations.


- Authors (Pusan National University): Guobin Zhao, Haewon Kim, Sunghyun Yoon, Yongchul G. Chung (School of Chemical Engineering, Graduate School of Data Science)

- Title of original paper: CoRE MOF DB: a curated experimental metal‑organic 𝖿ramework database with machine‑learned properties for integrated material‑process screening

- Journal: Matter

- Web link: https://doi.org/10.1016/j.matt.2025.102140 

- Contact e-mail: drygchung@gmail.com

전체 : 170 (1 / 22 page)
처음 페이지1 페이지123456 페이지22 페이지