Active learning-enabled multi-objective design of thermally conductive and mechanically compliant polymers

이 논문은 활성 학습 기반의 다목적 베이지안 최적화 프레임워크를 활용하여 열전도도는 높고 기계적 유연성은 우수한 다기능성 고분자 후보들을 효율적으로 발굴하고 그 분자적 특성을 규명했습니다.

핵심

1. 문제 상황: "모든 것을 다 가진 플라스틱"은 왜 없을까?

우리가 사용하는 플라스틱은 가볍고 구부리기 쉽지만 (기계적 유연성), 열을 잘 전달하지 못합니다. 반면, 열을 잘 전달하는 물질은 보통 딱딱하고 깨지기 쉽습니다.

• 비유: 마치 **"부드러운 실크 천"**과 **"단단한 철"**을 동시에 가진 옷을 만들고 싶은 것과 같습니다.
  • 실크처럼 구부려야 하지만 (유연성), 철처럼 열을 빨리 식혀야 합니다 (열전도도).
  • 기존에는 이런 재료를 찾기 위해 실험실에서 일일이 만들어보고 측정하는 '시행착오' 방식을 썼는데, 이는 시간이 너무 오래 걸리고 비용이 많이 들었습니다.

2. 해결책: 인공지능이 이끄는 '스마트 탐험'

연구팀은 이 문제를 해결하기 위해 **활성 학습 (Active Learning)**과 다목적 최적화라는 AI 기술을 사용했습니다. 이를 **'스마트 탐험가'**에 비유할 수 있습니다.

① 지도 만들기 (데이터 생성)

먼저, 컴퓨터 시뮬레이션 (분자 동역학) 을 이용해 약 93 개의 플라스틱 구조를 가상으로 만들어보았습니다. 이는 탐험을 시작하기 위해 필요한 **'초기 지도'**를 그리는 과정입니다.

② 예언자 모델 (딥 커널 학습)

이제 AI 가 이 초기 데이터를 학습합니다. 이 AI 는 **"이런 모양의 분자라면, 열전도도는 얼마고 얼마나 단단할지"**를 예측하는 예언자 역할을 합니다.

• 특이점: 이 예언자는 단순히 답만 알려주는 게 아니라, **"내가 이 부분을 잘 모르니 확신이 안 서요"**라고 불확실성까지 알려줍니다. 이것이 핵심입니다.

③ 나침반 (qNEHVI acquisition function)

이제 AI 는 2,000 개 이상의 미확인 플라스틱 후보들 중에서 다음에 실험해볼 만한 것을 고릅니다. 이때 사용하는 나침반은 다음과 같은 두 가지 전략을 동시에 따릅니다.

1. 기회 포착 (Exploitation): 이미 잘 알려진 좋은 후보를 더 자세히 살펴보기.
2. 새로운 발견 (Exploration): AI 가 "여기는 아직 잘 모르는데, 아마 보물 (좋은 성능) 이 있을 것 같다"라고 예상하는 미지의 지역을 찾아보기.

이 나침반은 **"최대한 많은 보물을 찾아내는 길 (파레토 프론트)"**을 찾아줍니다. 즉, 열전도도를 높이려면 유연성이 떨어질 수밖에 없는 ' Trade-off(상충 관계)' 속에서 가장 완벽한 균형점들을 찾아냅니다.

3. 탐험의 결과: 6 개의 보물 발견

이 과정을 60 번 반복하며 AI 는 다음을 달성했습니다.

• 보물 발견: 열전도도는 높으면서도 유연한 6 개의 이상적인 플라스틱 후보를 찾아냈습니다.
• 효율성: 수천 가지의 실험을 할 필요 없이, AI 가 가장 유망한 240 개만 선별해 실험 (시뮬레이션) 했을 뿐입니다. 마치 100 개의 상자 중 보물이 있을 확률이 높은 3 개만 골라 여는 것과 같습니다.

4. 왜 이런 결과가 나왔을까? (해석)

연구팀은 AI 가 왜 그런 선택을 했는지 그 이유를 분석했습니다.

• 열전도도 (TC): 분자의 **등뼈 (Backbone)**가 단단하고 직선적일수록 열이 잘 통합니다. (예: 철사처럼 뻣뻣한 구조)
• 유연성 (Modulus): 분자의 **팔 (Sidechain)**이 길고 유연하거나, 분자들이 빽빽하게 붙지 않을수록 구부러집니다.
• 비유: 열전도도를 높이려면 **"단단한 등뼈"**가 필요하고, 유연성을 높이려면 **"부드러운 팔"**이 필요합니다. AI 는 이 두 가지가 공존할 수 있는 최적의 조합을 찾아냈습니다.

5. 결론: 미래의 재료 설계

이 연구는 단순히 플라스틱을 찾는 것을 넘어, **"원하는 성질을 가진 재료를 AI 가 설계하고 검증하는 새로운 패러다임"**을 제시했습니다.

• 의미: 앞으로는 실험실에서 몇 년을 고생할 필요 없이, 컴퓨터 앞에서 AI 가 "이런 분자 구조를 만들어보세요"라고 조언하면, 우리가 원하는 스마트한 소재를 훨씬 빠르고 저렴하게 개발할 수 있게 됩니다.
• 활용: 구부리는 스마트폰, 열을 잘 식히는 배터리, 혹은 차가운 옷감 등 우리 생활의 다양한 분야에서 혁신을 일으킬 수 있는 기초가 되었습니다.

---

한 줄 요약:

"AI 가 '열은 잘 전달하고 구부러지는' 플라스틱을 찾기 위해, 무작위 실험 대신 가장 유망한 후보만 골라내는 똑똑한 나침반을 들고 2,000 개의 미지의 세계를 탐험하여 6 개의 보물을 찾아낸 이야기입니다."

기술 요약

논문 요약: 활성 학습 기반 다목적 최적화를 통한 열전도성 및 기계적 유연성 동시 확보 고분자 설계

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 유연한 전자 장치 및 열 인터페이스 재료 (TIM) 와 같은 응용 분야에서 고분자는 기계적 유연성과 가공성으로 인해 필수적입니다.
• 문제점:
  • 낮은 열전도도 (TC): 기존 비결정성 고분자는 원자 배열의 무질서함으로 인해 본질적인 열전도도가 매우 낮습니다 (일반적으로 0.4 W·m⁻¹·K⁻¹ 미만).
  • 상충되는 물성 (Trade-off): 열전도도를 높이려면 일반적으로 강하고 정렬된 분자 사슬 (phonon transport 증진) 이 필요하여 강성 (modulus) 이 증가합니다. 반면, 기계적 유연성 (낮은 체적 탄성률, Bulk Modulus) 을 확보하려면 유연한 분자 사슬이 필요하여 열전도도가 저하됩니다.
  • 데이터 부족 및 비효율성: 기존 실험 기반 탐색은 시간과 비용이 많이 들며, 공개 데이터베이스 (PoLyInfo 등) 의 실험 데이터는 희소하고 노이즈가 많습니다. 또한, 기존 머신러닝 접근법은 단일 물성 최적화에 치중하여 상충되는 다목적 최적화 (Multi-objective Optimization) 를 다루는 데 한계가 있었습니다.
• 목표: 높은 본질적 열전도도 (High TC) 와 낮은 체적 탄성률 (Low Bulk Modulus, 즉 높은 유연성) 을 동시에 달성하는 고분자를 효율적으로 발견하는 것.

2. 방법론 (Methodology)

이 연구는 **활성 학습 (Active Learning, AL)**과 **다목적 베이지안 최적화 (Multi-Objective Bayesian Optimization, MOBO)**를 결합한 새로운 워크플로우를 제시합니다.

• 데이터 생성 (High-throughput MD Pipeline):
  • 실험 데이터의 부족을 보완하기 위해 분자 동역학 (MD) 시뮬레이션을 '오라클 (Oracle)'로 활용하여 열전도도 ($k$) 와 체적 탄성률 ($B$) 데이터를 생성했습니다.
  • 초기 학습 데이터 (93 개 고분자) 를 생성하기 위해 라틴 초입방체 샘플링 (LHS) 을 사용하여 화학 공간 전체를 대표할 수 있도록 선정했습니다.
• 고분자 표현 (Representation):
  • 고분자 구조를 수치화하기 위해 **Polymer Embeddings (PE)**를 사용했습니다. 이는 p-SMILES 문자열을 기반으로 한 300 차원의 연속 벡터로, Morgan Fingerprints 등 다른 표현법보다 구조 - 물성 관계를 더 잘 포착하는 것으로 검증되었습니다.
• 대리 모델 (Surrogate Models): Deep Kernel Learning (DKL)
  • 각 물성 ($k$와 $B$) 에 대해 독립적인 DKL 모델을 구축했습니다.
  • 구조: 다층 퍼셉트론 (MLP) 을 통한 특징 추출기 (Feature Extractor) 와 가우시안 프로세스 (GP) 회귀 모델을 결합했습니다.
  • 장점: MLP 가 고차원 PE 를 잠재 공간 (Latent Space) 으로 압축하여 비선형 정보를 보존하고, GP 가 예측 불확실성을 정량화합니다. 이는 PCA 를 사용할 때 발생하는 정보 손실 문제를 해결했습니다.
• 최적화 전략 (AL-MOBO Loop):
  • Acquisition Function: $q$-Noisy Expected Hypervolume Improvement ($q$NEHVI) 를 사용하여 탐색 (Exploration, 불확실성이 높은 영역) 과 활용 (Exploitation, 유망한 영역) 을 균형 있게 조절했습니다.
  • 프로세스:
    1. 초기 MD 데이터로 DKL 모델 학습.
    2. 미라벨 (Unlabeled) 고분자 풀 (~2000 개) 에서 $q$NEHVI 를 통해 다음 평가 대상 (배치당 4 개) 선정.
    3. 선정된 고분자에 대해 MD 시뮬레이션 수행 및 데이터 업데이트.
    4. 모델 재학습 및 Pareto Front(파레토 프론트) 갱신.
    5. 60 회 반복 수행.

3. 주요 결과 (Key Results)

• 성능 최적화:
  • 60 회 반복 (총 240 개 고분자 평가) 을 통해 열전도도와 탄성률 간의 최적 균형을 이루는 6 개의 비우세 (Non-dominated) 고분자 후보를 Pareto Front 상에서 식별했습니다.
  • 성능 향상: 최적화 과정에서 최고 열전도도는 0.482 에서 0.637 W·m⁻¹·K⁻¹로 32% 증가했고, 최저 체적 탄성률은 1.892 에서 1.09 GPa 로 42% 감소했습니다.
  • 수렴성: 31 회 반복 시점에 Pareto Front 가 수렴하는 것을 확인했으며, 하이퍼볼륨 (Hypervolume, HV) 지표가 안정화되었습니다.
• 모델 신뢰도:
  • DKL 대리 모델은 초기 데이터가 적음에도 불구하고 높은 예측 정확도 ($R^2 \approx 0.8$ for TC, $\approx 0.58$ for Modulus) 를 보였습니다.
  • 불확실성 보정 (Uncertainty Calibration) 지표 (ENCE) 가 반복을 거치며 크게 개선되어 모델이 신뢰할 수 있는 예측을 제공함을 입증했습니다.
• 구조 - 물성 해석 (Interpretability):
  • SHAP 분석을 통해 분자 구조가 물성에 미치는 영향을 규명했습니다.
    • 열전도도 (TC): 주사슬의 강성 (Rigidity) 과 $\pi$-공액 구조가 양의 영향을 미치며, 측쇄의 복잡성과 극성 (Polarity) 은 음의 영향을 미칩니다.
    • 탄성률 (Modulus): 분자 간 응집력 (극성, 수소 결합) 과 패킹 효율이 증가하면 탄성률이 높아집니다.
  • 최종 후보군 특성: 식별된 6 개 고분자는 단순한 탄화수소 사슬 (PF5, 고 TC/고 강성) 에서부터 불소화 에테르 (PF1, 저 탄성률) 및 PIM-PI(내재적 미세공극 폴리이미드) 등 다양한 화학 구조를 보여주며, 서로 다른 트레이드오프 전략을 구현했습니다.
• 합성 가능성 (Synthesizability):
  • 식별된 후보 고분자들의 합성 접근성 (SA) 점수는 대부분 1~5.13 범위로, 실험적 합성이 가능한 수준으로 평가되었습니다.

4. 기여 및 의의 (Significance)

• 데이터 효율성: 실험 데이터의 부족과 MD 시뮬레이션의 높은 계산 비용을 극복하기 위해 AL-MOBO 프레임워크를 도입하여, 최소한의 고충실도 데이터로 넓은 화학 공간을 효율적으로 탐색했습니다.
• 다목적 최적화 성공: 상충되는 물성 (고 열전도 vs 저 강성) 을 동시에 최적화하는 고분자 설계에 대한 체계적인 접근법을 제시했습니다.
• 해석 가능한 AI: 블랙박스 모델의 한계를 극복하기 위해 SHAP 기반 해석 기법을 적용하여, 분자 수준에서 물성 결정 메커니즘을 규명하고 향후 설계 지침을 제공했습니다.
• 실용적 가치: 유연 전자 장치 및 열 인터페이스 재료 개발을 위한 구체적인 고분자 후보군을 제시하여, 신소재 개발 기간 단축과 비용 절감에 기여할 수 있습니다.

5. 결론

이 연구는 고분자 설계 분야에서 데이터 부족 문제를 해결하고 상충되는 물성을 동시에 최적화할 수 있는 활성 학습 기반 다목적 베이지안 최적화 (AL-MOBO) 워크플로우의 유효성을 입증했습니다. 생성된 6 개의 고성능 후보 고분자는 이론적 설계 원칙을 실험적으로 검증할 수 있는 출발점이 될 것이며, 향후 더 큰 규모의 고분자 라이브러리와 추가 물성 최적화로 확장될 수 있는 확장 가능한 패러다임을 제시합니다.