베이즈 최적화와 고속 분자동역학을 활용한 고성능 고분자 전해질 탐색

초록

본 연구는 170만 개의 가상 고분자 전해질 후보를 고속 분자동역학(MD) 시뮬레이션과 베이즈 최적화(Bayesian Optimization, BO)를 결합한 파이프라인으로 탐색한다. 문헌 데이터를 활용해 GP 서프라이즈 모델을 warm‑start하고, MolFormer 임베딩을 PCA로 차원 축소한 뒤 배치 BO와 k‑means 클러스터링으로 767개의 호모폴리머를 선택·시뮬레이션하였다. 이 과정에서 이온 전도도와 리튬 확산계수를 크게 향상시키는 가지형 구조와 케톤 기능기를 가진 후보들을 발견했으며, Li와 Na 전이 메커니즘을 비교 분석하였다. 연구 결과와 오픈소스 프레임워크는 액체·젤·다중이온 전해질 설계에 활용될 수 있다.

상세 분석

이 논문은 고분자 전해질 설계에 있어 두 가지 핵심 기술을 결합한다. 첫째, 1.7 백만 개의 가상 고분자를 Open Macromolecule Genome 및 SMiPoly 데이터베이스에서 추출하고, 각 구조를 SMILES 형태로 변환한 뒤 MolFormer라는 대규모 화학 언어 모델을 이용해 768‑차원 임베딩을 생성한다. 차원 축소는 PCA를 적용해 50 차원(전체 변동성 ≈ 80 %)으로 압축하고, 이를 Gaussian Process(GP) 서프라이즈 모델의 입력으로 사용한다. 두 번째는 배치 베이즈 최적화이다. 초기에는 문헌에서 수집한 106개의 실험적 이온 전도도 데이터를 warm‑start 데이터로 활용해 GP를 학습시킨다. 이후 매 배치마다 k‑means++(k=20)로 클러스터링한 뒤, 각 클러스터에서 Expected Improvement(EI) 획득함수를 기반으로 가장 기대값이 높은 후보를 선택한다. 이렇게 선정된 20개의 후보는 HiTPoly 파이프라인을 통해 393 K, 1 M LiTFSI 조건에서 OPLS‑AA 포스필드와 0.75 전하 스케일링을 적용해 100 ns MD 시뮬레이션을 수행하고, 클러스터 Nernst‑Einstein(cNE) 방법으로 이온 전도도와 전이수(transference number)를 계산한다. 최적화 목표는 (1) 순수 이온 전도도, (2) 전하 캐리어 비율 × 전이수, (3) 전도도 × 전이수, (4) Li 확산계수 ÷ CRU(구성 단위) 확산계수 × 전도도 등 네 가지 복합 지표이며, 각각에 대해 별도 배치를 진행한다. 실험 결과, warm‑start GP는 cold‑start GP와 무작위 탐색에 비해 25 세대(각 20개 후보) 동안 평균 전도도가 현저히 높았다. 또한 최적화 진행 중 convex hull 영역이 지속적으로 확대되어 화학 공간 탐색과 exploitation이 균형을 이루는 것이 확인되었다. 최종적으로 PEO/LiTFSI 기준을 초과하는 10개의 고성능 고분자를 도출했으며, 이들 중 브랜치형 사슬과 케톤기(–C=O)를 포함한 구조가 이온 홉핑을 촉진해 전도도를 크게 향상시키는 메커니즘을 제시한다. Li와 Na 전이 비교에서는 Na가 보다 높은 전하 캐리어 비율을 보이지만, Li 전도도와 전이수의 결합이 배터리 성능에 더 유리함을 강조한다. 전체 파이프라인과 데이터셋은 오픈소스로 공개돼 향후 액체, 겔, 다중이온 전해질 설계에 재활용될 수 있다.