Nanoporous materials such as zeolites, metal-organic frameworks (MOFs), and covalent organic structures (COFs) are widely used in the fields of gas separation/storage, sensor, catalyst, battery due to their high surface area and tunability. Because of the importance of the porous materials, millions of porous structures have been synthesized experimentally and virtually in recent decades. Various studies have been conducted in the past few years to use machine learning in material science due to the rapid advances of machine learning. However, while machine learning is actively applied to the field of drugs and inorganic solids, The study on machine learning for porous materials remains relatively early stage. In this thesis, we have studied the methodology to develop porous materials that can be used for energy and environmental applications by using molecular simulation and machine learning. In the first, we predict the limits of methane adsorption capacity of zeolite by using the energy shape obtained from molecular simulation and the generative adversarial network (GAN). The study showed that the GAN can predict the performance limits of methane adsorption in zeolite without the information of high performing zeolites. In the second, we have generated zeolite structures by using energy/material shape calculated from molecular simulation and GAN. The study showed that the GAN can generate appropriate zeolite structures and also conditionally generate zeolite structures with the user-desired properties.
제올라이트, 금속-유기 구조체, 공유결합 유기 구조체와 같은 다공성 물질들은 높은 비표면적과 조정의 용이함 등의 이유로 가스 분리/저장, 센서, 촉매, 베터리 등의 분야에서 다양하게 활용되고 있다. 이러한 다공성 물질의 중요성 때문에 최근 수십 년간 실험적/가상적으로 합성된 수백만 개의 다공성 구조들이 보고되고 있다. 최근 기계학습의 빠른 발전으로 인해서 기계학습을 재료과학에 활용하는 다양한 연구들이 수행되고 있다. 하지만 약물이나 무기 고체 분야에서의 머신러닝 활용은 활발하게 연구되고 있는 반면에 다공성 물질에 대한 머신러닝 연구는 비교적 초기 단계에 머물러있다. 이러한 한계점을 인지하여, 이 연구에서는 분자 시뮬레이션과 머신러닝을 이용하여 에너지 및 환경 응용 목적의 다공성 물질을 개발할 수 있는 방법론을 개발하였다. 첫 번째로는 분자 시뮬레이션으로부터 얻은 에너지 형태 데이터와 적대적 생성 신경망을 이용하여 제올라이트의 메탄 흡착성능의 한계를 예측하는 방법론을 연구했다. 본 연구에서는 높은 성능을 가지는 제올라이트를 제외한 제한된 학습 데이터를 사용하더라도 제올라이트의 흡착한계를 예측할 수 있음을 밝혔다. 두 번째로는 적대적 생성 신경망과 분자 시뮬레이션으로부터 계산된 에너지/물질 형태 데이터를 이용하여 제올라이트 구조를 생성하는 연구를 수행했다. 적대적 생성 신경망이 적절한 제올라이트 구조를 생성할 수 있고 또한 사용자가 원하는 물성을 가지는 제올라이트 구조를 조건부 생성할 수 있음을 보였다.
