Understanding the structure-property-process relationship is crucial for designing and optimizing materials for various material fields. In the field of materials science and engineering, there have been paradigm shifts from empirical science to theoretical science, computational science, and now data-driven science. The data-driven approach utilizes big data and machine learning to extract structural and property features from research data, accelerating materials discovery. To facilitate data-driven materials design, the process involves acquiring, managing, analyzing, and applying research data. The research data such as imaging and modeling are used to extract structural and property features by machine learning algorithms to establish correlations between them. This enables inverse design, where desired structures and properties are derived from optimal property points, expediting materials development. In the context of energy materials research, advanced battery technologies require a deep understanding of the structure-property relationship. The complex systems of materials like NCM and NVPF necessitate novel research methodologies. This work integrates data-driven materials design into energy materials research, focusing on electrode materials for lithium-ion batteries and sodium-ion batteries. The workflow includes TEM analysis using CNN models, density functional theory calculations, and the establishment of structure-property relationships. By leveraging machine learning and inverse design, new materials with improved performance can be designed more efficiently. This research is a milestone in accelerating materials discovery across various fields, offering a blueprint for materials design based on the relationship between TEM and DFT data, structure, and property. The data-driven approach has the potential to revolutionize materials development and open up new possibilities for designing advanced materials with tailored properties.
소재 연구에 있어서 구조-물성-공정 관계를 이해하는 것은 소재를 설계하고 최적화하는 데 매우 중요하다. 재료 공학 분야에서는 경험 과학에서 이론 과학, 계산 과학, 그리고 이제는 데이터 중심 과학으로 패러다임이 변화해 왔다. 최근 데이터 중심 접근 방식은 빅데이터와 머신러닝을 활용하여 연구 데이터로부터 구조 및 물성 특징을 추출하고 역설계를 통해 소재 개발을 가속화할 수 있는데, 이러한 데이터 기반 소재 설계는 연구 데이터의 수집, 관리, 분석 및 활용의 과정을 거친다. 이 과정에서 영상화 및 모델링과 같은 연구 데이터는 기계학습 알고리즘에 의해서 구조 및 물성 특징으로 추출되어 이들 간의 상관관계를 설정하는 데 사용되고, 이를 통해 최적의 물성에서 구조가 도출되는 역설계가 가능하여 소재 개발을 가속화할 수 있다. 한편, 배터리 소재와 같은 에너지 소재 연구에서는 구조-물성 관계에 대한 깊은 이해를 필요로 하고, 특히 리튬이온 배터리 및 나트륨이온 배터리의 전극 소재인 NCM 및 NVPF와 같은 소재는 복잡한 시스템으로 구성되어 있기 때문에 기존의 소재 연구 방식으로는 한계가 있고 새로운 연구 방법론을 필요로 한다. 본 연구에서는 리튬이온 배터리 및 나트륨이온 배터리의 전극 소재에 대해서 데이터 중심 소재 설계를 적용하였다. 이 과정에서 합성곱 신경망 모델을 사용한 투과전자현미경 데이터 분석과 그래프 신경망 모델을 사용한 밀도범함수이론 데이터 분석, 이에 대한 구조-물성 관계로부터 역설계를 통한 고성능 신소재의 효율적 설계가 이루어진다. 본 연구는 투과전자현미경 데이터와 밀도범함수이론 데이터, 구조 및 물성 간의 관계를 기반으로 한 소재 설계의 청사진을 제공함으로써 소재 개발에 혁명을 일으키고 맞춤형 물성으로 고성능 소재를 설계할 수 있는 새로운 가능성을 열어줄 것으로 기대된다.
