Core Concepts
본 연구는 이산화탄소 흡착 능력이 높고 합성 가능한 금속-유기 골격체를 신속하게 설계하기 위해 생성적 인공지능 기술을 활용한다.
Abstract
본 연구는 금속-유기 골격체(MOF) 설계를 위한 GHP-MOFassemble이라는 새로운 고성능 프레임워크를 소개한다. 이 프레임워크는 다음과 같은 주요 구성 요소로 이루어져 있다:
분해(Decompose): 고성능 MOF 구조에서 링커 분자를 추출하고 분자 단편으로 분해한다.
생성(Generate): 확산 모델 DiffLinker를 사용하여 새로운 MOF 링커를 생성하고, 이를 사전 선택된 금속 노드와 조합하여 새로운 MOF 구조를 만든다. 생성된 링커는 합성 가능성, 유효성, 독창성, 다양성 등의 지표로 평가된다.
스크리닝 및 예측(Screen and Predict): 생성된 MOF 구조에 대해 분자 동역학 시뮬레이션과 그랜드 캐노니컬 몬테카를로 시뮬레이션을 수행하여 안정성과 이산화탄소 흡착 능력을 평가한다. 이를 통해 상위 6개의 AI 생성 MOF 구조를 선별하였다.
이 프레임워크를 통해 생성된 MOF 구조 중 6개가 hMOF 데이터셋의 상위 5%에 해당하는 2 m mol g-1 이상의 이산화탄소 흡착 능력을 보였다. 이는 기존 실험적 및 계산적 방법으로는 도달하기 어려운 수준의 성능이다.
Stats
생성된 MOF 구조 중 6개가 0.1 bar, 300K 조건에서 2 m mol g-1 이상의 이산화탄소 흡착 능력을 보였다.
이는 hMOF 데이터셋의 상위 5%에 해당하는 수준이다.
Quotes
"본 연구는 이산화탄소 흡착 능력이 높고 합성 가능한 금속-유기 골격체를 신속하게 설계하기 위해 생성적 인공지능 기술을 활용한다."
"생성된 MOF 구조 중 6개가 0.1 bar, 300K 조건에서 2 m mol g-1 이상의 이산화탄소 흡착 능력을 보였다."