딥러닝 기반 유동성 강유전체 설계와 합성

초록

유동성 강유전체(ferroelectric liquid crystal) 후보를 데이터‑구동 그래프 신경망과 변분 자동인코더(VAE)로 생성·예측하고, 합성 가능성을 레트로합성 엔진과 재고 데이터베이스로 검증한 후 11종을 실제 합성·특성 평가하여 새로운 물질을 성공적으로 발견하였다.

상세 분석

본 연구는 유동성 강유전체라는 매우 제한된 화학 공간을 데이터‑기반으로 확장하려는 시도다. 저자들은 2025년 10월까지 보고된 모든 장축 편극 액정(>500종)과 자체 측정한 200여 종을 포함한 700여 개의 데이터셋을 구축하고, SMILES를 RDKIT 기반 그래프 형태로 변환하였다. 그래프 신경망(GNN) 아키텍처는 GCN, GAT, GIN 등 네 종류를 시험했으며, 5‑fold 교차검증을 통해 분류 정확도 95 %·전이 온도 예측 RMSE 11 K라는 뛰어난 성능을 달성했다. 변분 자동인코더(VAE)는 MGVAE 변형을 사용해 잠재 공간을 학습하고, 이 공간에서 샘플링한 15 413개의 새로운 분자를 디코딩하였다. 생성된 분자는 기존 데이터와 구조적 유사성을 유지하면서도 고리 수·분자량·불소 함량 등에서 더 넓은 분포를 보였다.

후속 단계에서는 가장 성능이 좋은 세 개의 분류기와 세 개의 회귀 모델을 앙상블하여, “다수결” 기준(≥9/12 긍정)으로 강유전체(NF) 가능성을 판단하고 평균 전이 온도를 순위화하였다. 이렇게 선별된 후보는 화학적 합성 가능성을 평가하기 위해 오픈‑소스 레트로합성 엔진과 대학 내 디지털 재고 데이터베이스를 연동, 실제 실험실에서 구입 가능한 전구체와 반응 경로를 자동 제안하였다. 최종적으로 인간 화학자가 검토·우선순위화한 11개의 후보를 전통적인 유기 합성법으로 제조하고, 90 wt % DIO와 10 wt % 혼합물에서 DSC·POM을 이용해 전이 온도를 외삽하였다. 실험 결과, 예측된 전이 온도와 실제 외삽 온도 사이의 RMSE는 약 25 K였으며, 모든 합성된 물질이 NF 행동을 보였다.

이러한 폐쇄‑루프 워크플로우는 (1) 데이터 수집·정제, (2) GNN 기반 물성 예측, (3) VAE 기반 신분자 생성, (4) 앙상블 필터링, (5) 레트로합성·재고 연계, (6) 실험 검증이라는 전 과정을 자동화·통합한다는 점에서 의미가 크다. 특히, 모델이 기존에 알려진 구조 모티프를 넘어 케톤·불소‑함유 새로운 기능기를 제안한 점은 화학 직관을 보완하는 유용한 인사이트를 제공한다. 한계점으로는 데이터셋 규모가 여전히 수백 수준에 머물러 외삽 범위가 제한적이며, 전이 온도 예측 오차가 구조가 크게 벗어날 경우 급증한다는 점이다. 향후 더 다양한 액정·강유전체 데이터를 확보하고, 멀티‑태스크 학습이나 물리‑기반 제약을 결합하면 예측 정확도와 탐색 효율을 더욱 높일 수 있을 것으로 기대된다.