연구 프로젝트 | Scientific Discovery Lab

로봇 기반 과학 실험을 위한 자율실험실

Mon, 01 Jun 2026 00:00:00 +0000

프로젝트 목표

이 프로젝트에서는 로보틱스, AI, 센싱, 과학 장비를 통합하여 실험 전 과정을 자율적으로 수행하는 Self-Driving Lab 시스템을 개발하고 있습니다. 로봇이 시료를 다루고, 연구실 안에서 재료를 운반하고, 분석 장비를 작동하고, 실험 조건을 모니터링하며, 그 결과를 다음 실험 주기에 반영하는 통합 워크플로를 구축하는 데 중점을 두고 있습니다.

장기적으로는 개별 장비의 자동화를 넘어 실험 계획, 시료 처리, 측정, 분석, 의사결정을 하나의 폐루프로 연결하는 물리적으로 체화된 과학 발견 플랫폼을 구현하는 것이 목표입니다.

연구 배경

현대의 과학 실험은 반복적인 수작업, 손상되기 쉬운 시료의 취급, 장비마다 다른 조작 절차, 지연되는 분석 과정에 크게 의존합니다. 이러한 제약은 실험 처리량과 재현성을 떨어뜨리고 장시간 연속 실험을 어렵게 만듭니다.

Self-Driving Lab은 AI 기반 실험 계획, 로봇 실행, 자동 특성 분석을 결합하여 과학적 발견의 새로운 틀을 제공합니다. 이 프로젝트에서는 그 개념을 단순한 벤치탑 자동화에서 확장하여 정교한 로봇 조작, 이동형 시료 물류, 실시간 모니터링, 향후 수술 및 생체 내 실험 시스템과의 연계까지 포괄하는 연구실 아키텍처를 연구하고 있습니다.

연구 방법

정교한 조작과 촉각 센싱

촉각 기반 파지: 촉각 피드백을 활용하여 손상되기 쉬운 시료, 용기, 도구, 실험 재료를 안전하게 다루는 로봇 조작 정책을 개발하고 있습니다.
비전·촉각 융합: 카메라 기반 인식과 접촉 센싱을 결합하여 불확실한 연구실 환경에서 파지 안정성, 물체 인식, 조작 성능을 높이고 있습니다.
저조도 로봇 작업: 시각 정보만으로 작업하기 어려운 Dark Lab 또는 무인 환경을 위해 촉각 중심의 제어 전략을 설계하고 있습니다.
미끄러짐과 힘 모니터링: 촉각 신호를 이용하여 불안정한 파지, 과도한 힘, 접촉 상태 변화, 시료 손상 가능성을 감지하고 있습니다.
실험 조작 기술 학습: 집기, 놓기, 뚜껑 열기, 장비 장착, 정렬, 시료 옮기기처럼 반복 활용할 수 있는 실험실 조작 기술을 학습하고 있습니다.

로봇 기반 시료 운반

사족보행 로봇 시료 운반: 연구실, 복도, 계단, 고르지 않은 실내 환경을 이동하며 시료를 운반하는 사족보행 로봇을 연구하고 있습니다.
안전한 적재물 관리: 운반 중 시료의 방향을 유지하고 진동을 줄이며 이동 이력을 추적할 수 있는 시료 운반 장치를 설계하고 있습니다.
다층 연구실 내비게이션: 계단, 문, 엘리베이터, 제한 구역, 작업대 사이의 인계 지점을 고려한 로봇 이동 경로를 계획하고 있습니다.
시료 이력 추적: 바코드, RFID, 비전 기반 시료 식별 정보를 자동 실험 기록과 연결하고 있습니다.
연구자·로봇 협업: 연구자, 실험 장비, 민감한 재료 주변에서 로봇이 안전하게 작업할 수 있는 상호작용 절차를 개발하고 있습니다.

자동 실험 수행과 분석

과학 장비 연동: 로봇 팔, 액체 취급 장치, 인큐베이터, 현미경, 분광기, 환경 센서를 하나의 실험 워크플로로 연결하고 있습니다.
자동 시료 준비: 분주, 혼합, 배양, 이동, 측정 준비 등의 절차를 표준화하고 자동화하고 있습니다.
실시간 실험 모니터링: 자율 작업 중 장비 상태, 시료 상태, 환경 변수, 이상 상황을 실시간으로 추적하고 있습니다.
AI 기반 데이터 해석: 머신러닝을 활용하여 영상, 분광 데이터, 센서 스트림, 분석 결과, 실험 메타데이터를 해석하고 있습니다.
폐루프 최적화: 실험 결과를 바탕으로 가설과 절차를 갱신하고 다음 실험 조건을 선택하고 있습니다.

시스템 설계

제안하는 시스템은 체화형 Self-Driving Lab 파이프라인으로 구성됩니다. AI 계획 모듈이 실험 목표와 작업 일정을 정하고, 로봇 조작기가 개별 작업을 수행하며, 사족보행 로봇이 물리적 작업대 사이에서 시료를 운반합니다. 분석 장비에서 얻은 측정값은 데이터 모델을 통해 자동으로 처리됩니다.

연구실 운영 계층은 작업 대기열, 로봇 가용성, 시료 식별 정보, 장비 준비 상태, 안전 제약, 데이터 출처를 통합 관리합니다. 이를 통해 서로 독립된 자동화 장비의 집합이 아니라 하나로 연결된 실험 생태계로 작동하도록 설계하고 있습니다.

현재 구현 단계

현재는 완전 자율형 Dark Lab을 즉시 구현하기보다 모듈형 로봇 기능을 단계적으로 개발하고 있습니다. 우선 로봇 조작 정책, 촉각 센싱 모듈, 시료 운반 전략, 실험 모니터링 소프트웨어 인터페이스를 구축하고 있습니다.

단기적으로는 정교한 조작 로봇과 사족보행 로봇이 자동화 장비와 협력하여 시료 준비, 운반, 분석, 데이터 기록을 수행하는 방법을 검증하고 있습니다. 안정적인 물리적 작업 능력을 먼저 확보한 뒤 더욱 복잡한 폐루프 과학 실험으로 확장할 계획입니다.

향후 연구 방향

향후에는 생물학 및 의생명 분야에서 연구자의 감독 아래 로봇이 실험을 수행하는 체계로 플랫폼을 확장할 계획입니다. 수술용 로봇을 자동 시료 처리, 영상화, 생리학적 모니터링, 실험 후 분석 과정과 연동하는 것이 주요 연구 방향 가운데 하나입니다.

장기적으로는 시험관 내 실험, 동물 실험, 생체 내 실험 워크플로를 하나의 로봇 파이프라인으로 연결하고자 합니다. 이 체계에서 수술용 로봇은 통제된 처치나 시료 채취를 지원하고, 이동 로봇은 시료 운반을 담당하며, 분석 시스템은 측정값을 처리하고, AI 모델은 엄격한 윤리·안전·규제 기준 아래 결과를 모니터링하게 됩니다.

이 연구는 과학자의 감독을 대체하려는 것이 아닙니다. 실험 전 과정의 정밀도, 재현성, 추적 가능성, 연속성을 높이는 감독형 자율실험 시스템을 구축하는 것이 목표입니다.

사족보행 및 휴머노이드 로봇을 위한 VLA 모델

Sat, 30 May 2026 00:00:00 +0000

프로젝트 목표

이 프로젝트에서는 사족보행 로봇과 휴머노이드 로봇을 위한 Vision-Language-Action(VLA) 모델을 개발하고 있습니다. 시각 장면을 이해하고, 자연어 지시를 해석하고, 물리적 환경을 추론하여 보행, 전신 움직임, 장기 작업 계획에 필요한 로봇별 행동을 생성하는 체화 AI 시스템을 연구하고 있습니다.

개별 인식, 내비게이션, 제어 모듈을 따로 구성하는 방식을 넘어 통합된 로봇 지능 체계를 만드는 것이 목표입니다. 사족보행 로봇과 휴머노이드 로봇이 시각·언어 추론을 통해 환경의 상황을 이해하고, 물리적으로 가능한 행동을 판단하고, 구체적인 작업을 수행하도록 설계하고 있습니다.

연구 배경

최근 Vision-Language Model(VLM)은 물체 인식, 장면 설명, 이미지와 텍스트를 활용한 추론에서 높은 성능을 보여주고 있습니다. 그러나 로봇에는 시각적 추론만으로 충분하지 않습니다. 인식과 언어를 실제 물리 행동으로 연결해야 하며, 물체가 무엇인지뿐 아니라 접근하거나 잡거나 피하거나 열고 옮길 수 있는지까지 판단해야 합니다.

사족보행 로봇과 휴머노이드 로봇은 서로 다른 신체 구조 때문에 같은 언어 지시도 다르게 수행해야 합니다. 사족보행 로봇은 계단, 비정형 지형, 좁은 통로, 넓은 실내외 공간을 안정적으로 이동할 수 있지만 조작 능력이 제한적입니다. 반면 휴머노이드 로봇은 문을 열고 도구와 물체를 다룰 수 있지만 전신 균형, 동작 계획, 조작 제어가 더욱 복잡합니다.

예를 들어 “위쪽 선반에 있는 물체를 확인하라”는 지시에 대해 사족보행 로봇은 해당 위치로 이동해 여러 시점에서 선반을 관찰하고 상태를 보고해야 합니다. 휴머노이드 로봇은 선반까지 걸어가 자세를 조정하고 팔을 뻗어 물체를 잡거나 옮겨야 할 수 있습니다. 범용 VLA 시스템은 공통된 작업 의미와 로봇 신체에 따른 행동 요구를 함께 이해해야 합니다.

연구 방법

VLA 로봇 지능

언어 기반 시각 이해: 자연어 지시를 로봇 카메라 영상, 물체 위치, 공간 관계, 작업에 필요한 시각 정보와 연결하는 모델을 개발하고 있습니다.
체화 행동 추론: 시각·언어 이해를 보행, 회전, 관찰, 뻗기, 파지, 상호작용처럼 실제 실행 가능한 로봇 행동으로 변환하고 있습니다.
장기 작업 분해: 높은 수준의 사용자 지시를 사족보행 또는 휴머노이드 로봇이 순차적으로 수행할 수 있는 행동 단계로 분해하고 있습니다.
행동 가능성 인식: 시각 관찰을 바탕으로 통과, 회피, 등반, 접근, 파지, 개폐, 이동, 조작 가능성을 추정하고 있습니다.
실패 인식형 VLA 제어: 현재 관찰만으로 작업을 완료할 수 없는 상황을 감지하고 재계획, 추가 인식, 대체 행동을 수행하도록 연구하고 있습니다.

사족보행 로봇 지능

언어 기반 이동: 자연어 명령에 따라 이동, 점검, 탐색, 공간 조사를 수행하는 사족보행 로봇을 개발하고 있습니다.
지형 인식 내비게이션: 시각, 고유수용감각, 환경 정보를 결합하여 계단, 경사로, 복잡한 공간, 좁은 길, 비정형 지형을 이동하고 있습니다.
능동적 시각 점검: 로봇이 몸과 카메라 시점을 능동적으로 움직여 물체, 공간, 구조물, 장애물, 불확실한 영역을 관찰하도록 연구하고 있습니다.
의미 기반 환경 탐색: 기하 구조뿐 아니라 물체 범주, 공간 기능, 랜드마크, 작업 관련 영역을 중심으로 환경을 매핑하고 탐색하고 있습니다.
사람 중심 이동: 사람, 가구, 문, 복도, 동적 장애물이 있는 환경에서 안전하게 이동하는 행동을 개발하고 있습니다.

휴머노이드 로봇 지능

전신 VLA 제어: 언어와 시각 정보를 머리, 몸통, 팔, 손, 다리의 협응 동작으로 연결하는 VLA 모델을 개발하고 있습니다.
양손 조작: 두 손을 이용한 물체 취급, 도구 사용, 운반, 개폐, 밀기, 당기기, 협응 조작을 학습하고 있습니다.
인간 환경과의 상호작용: 문, 손잡이, 선반, 스위치, 수납장, 탁자, 의자, 도구처럼 사람의 신체에 맞춰 설계된 환경을 다루도록 연구하고 있습니다.
자세·균형 인식 행동: 무게중심, 도달 가능 범위, 발 위치, 지지면, 전신 안정성을 고려한 행동을 생성하고 있습니다.
사회적 맥락의 로봇 행동: 사람이 함께 있는 공간에서 이동, 몸짓, 접근, 물체 전달, 상호작용을 자연스럽고 안전하게 수행하는 방법을 연구하고 있습니다.

SLAM과 공간 이해

VLA 로봇을 위한 Semantic SLAM: 위치 추정, 공간 기억, 물체 지도, 장기 작업 수행을 지원하는 VLA 시스템의 구성 요소로 Semantic SLAM을 활용하고 있습니다.
언어 기반 지도 질의: “계단 근처의 방”, “탁자 뒤의 물체”, “왼쪽 문”과 같은 표현을 지도 기반 공간 표현과 연결하고 있습니다.
다중 시점 장면 이해: 서로 다른 로봇 시점의 관찰을 결합하여 물체 위치 추정, 장면 재구성, 환경 인식을 개선하고 있습니다.
지도 기반 작업 계획: 사족보행 및 휴머노이드 로봇의 이동, 점검, 물체 탐색, 경로 계획, 작업 순서를 공간 지도로 지원하고 있습니다.
동적 지도 갱신: 물체 이동, 문 개폐, 경로 차단, 로봇 행동에 따른 환경 변화를 공간·의미 지도에 반영하고 있습니다.

현재 구현 단계

현재는 사족보행 및 휴머노이드 로봇 지능을 위한 VLA 프레임워크를 정의하고 구현하고 있습니다. 초기 시스템은 로봇 비전, 자연어 지시의 공간적 연결, 의미 지도, 로봇 신체에 맞춘 행동 생성을 중심으로 구성하고 있습니다.

사족보행 로봇에서는 언어 기반 내비게이션, 능동적 시각 점검, 장면 탐색, 지형 인식 이동, Semantic SLAM 연동에 집중하고 있습니다. 이를 통해 복잡한 환경을 이동하면서 물리적 공간과 연결된 언어 지시를 이해하는 기반을 구축하고 있습니다.

휴머노이드 로봇에서는 시각·언어 기반 뻗기, 물체 상호작용, 전신 작업 수행, 조작 중심의 장면 이해를 연구하고 있습니다. 팔과 손, 자세 제어, 물리적 상호작용이 필요한 작업을 인간 중심 환경에서 수행하기 위한 기반을 마련하고 있습니다.

향후 연구 방향

향후에는 서로 다른 로봇 신체, 환경, 작업 영역에 적용할 수 있는 범용 VLA 로봇 시스템으로 확장할 계획입니다. 사족보행과 휴머노이드 플랫폼이 공통으로 활용할 수 있는 시각·언어 기반 로봇 파운데이션 모델을 개발하되, 실제 행동은 각 신체 구조에 맞는 제어 헤드를 통해 생성하는 방향을 연구하고 있습니다.

또한 VLA 로봇 정책을 위한 Sim-to-Real 학습 파이프라인을 구축할 계획입니다. 시뮬레이션에서는 다양한 환경, 드문 실패 사례, 대규모 작업 변형을 생성하고, 실제 로봇 실험에서는 물리적 제약, 센서 노이즈, 접촉 불확실성, 동적 환경에서도 정책이 안정적으로 작동하는지 검증하고자 합니다.

분자 동역학을 활용한 반도체 소재 연구

Fri, 29 May 2026 00:00:00 +0000

프로젝트 목표

이 프로젝트에서는 유한 온도에서 반도체 소재의 거동을 이해하기 위한 분자 동역학 방법을 개발하고 있습니다. 원자 운동, 격자 진동, 포논 감쇠가 열전달, 광전자 안정성, 실제 소자 성능과 연결되는 과정을 연구하고 있습니다.

특히 페로브스카이트와 광전자 소재를 대상으로 원자 궤적과 반도체 성능을 연결하는 Hamiltonian 및 DFT 기반 시뮬레이션 워크플로를 구축하는 것이 목표입니다.

연구 배경

반도체의 거동은 정적인 밴드 구조만으로 결정되지 않습니다. 실제 소재는 온도, 변형, 빛, 계면, 결함, 구조적 무질서의 영향을 받으며, 이러한 조건은 포논 산란, 격자 비조화성, 전하 운반자 이완, 결함 이동, 계면 열전달이 일어나는 동적 원자 환경을 만듭니다. 이 과정은 반도체 소자의 성능과 안정성에 직접적인 영향을 줍니다.

분자 동역학은 시간에 따라 변하는 이러한 현상을 직접 분석할 수 있는 방법입니다. 이 프로젝트에서는 개별 물성값을 예측하는 데 그치지 않고 반도체 구조가 시간에 따라 어떻게 변화하고, 에너지를 소산하며, 열적 교란에 반응하는지를 연구하고 있습니다.

연구 방법

Hamiltonian 기반 분자 동역학

Ab Initio Molecular Dynamics: 경험적 힘장에만 의존하지 않고 DFT로 계산한 힘을 이용해 원자 운동을 시뮬레이션하고 있습니다.
Hamiltonian 모델링: 원자 배열을 에너지 지형, 힘, 동적 반응과 연결하는 전자 구조 기반 표현을 구축하고 있습니다.
Born–Oppenheimer Dynamics: 전자 바닥상태의 퍼텐셜 에너지 표면에서 원자핵의 궤적을 계산하여 유한 온도 소재를 분석하고 있습니다.
Car–Parrinello Dynamics: 효율적인 제일원리 분자 동역학을 위해 전자와 이온의 결합 전파 방법을 연구하고 있습니다.
궤적 기반 전자 구조 분석: 원자 궤적에 따른 밴드 가장자리, 국소 구조, 결합 환경, 결함 상태의 변화를 분석하고 있습니다.

포논 동역학과 감쇠

포논 수명 분석: 진동 모드가 산란하거나 에너지를 소산하기 전까지 유지되는 시간을 추정하고 있습니다.
반도체 포논 감쇠: 격자 비조화성, 결함, 무질서, 전자–포논 상호작용으로 발생하는 진동 감쇠를 연구하고 있습니다.
열전도도 모델링: 포논 수송과 열 방출을 반도체 소자의 신뢰성과 연결하여 분석하고 있습니다.
비조화 격자 동역학: 유한 온도와 구조적 불안정성에서 중요해지는 비조화 원자 운동을 모델링하고 있습니다.
고온 전하 운반자와 에너지 이완: 광전지 소재에서 격자 진동이 에너지 손실을 매개하는 과정을 연구하고 있습니다.

반도체와 페로브스카이트 소재

할라이드 페로브스카이트: 연성 격자 운동, 이온 이동, 팔면체 회전, 포논 선폭 증가, 열적 불안정성을 연구하고 있습니다.
광전자 반도체: 태양전지, LED, 광검출기, 발광 소자에 사용되는 소재를 모델링하고 있습니다.
결함 동역학: 공공, 침입형 결함, 결정립계, 국소 무질서가 열적 조건에서 변화하는 과정을 시뮬레이션하고 있습니다.
계면 안정성: 반도체 계면, 이종접합, 접촉층에서 나타나는 원자 수준의 거동을 분석하고 있습니다.
변형과 열 반응: 기계적 변형이 포논 수송과 격자 안정성에 미치는 영향을 평가하고 있습니다.

AI 가속 분자 동역학

머신러닝 원자간 포텐셜: DFT 데이터로 신경망 포텐셜을 학습하여 더 큰 시스템과 긴 시간 범위의 분자 동역학을 계산하고 있습니다.
힘장을 위한 능동학습: 시뮬레이션 과정에서 새로운 DFT 계산이 필요한 정보량 높은 원자 배열을 선택하고 있습니다.
불확실성 인식 원자 궤적: 학습된 포텐셜이 신뢰할 수 있는 범위를 벗어나는 시점을 감지하고 있습니다.
그래프 기반 원자 표현: 전이 가능한 힘과 에너지 예측을 위해 국소 원자 환경을 그래프로 표현하고 있습니다.
다중 스케일 시뮬레이션: 제일원리 계산의 정확도와 소자 수준의 길이·시간 척도를 연결하고 있습니다.

시스템 설계

제안하는 워크플로는 대표적인 반도체 구조에 대한 DFT 및 Ab Initio Molecular Dynamics 계산에서 시작합니다. 이를 통해 원자 궤적, 힘, 응력, 국소 전자 특성, 유한 온도 구조 정보를 생성합니다.

다음 단계에서는 제일원리 데이터로 머신러닝 원자간 포텐셜과 Hamiltonian 기반 모델을 학습합니다. 이 모델을 활용하여 포논 수송, 감쇠 거동, 결함 이동, 계면 변화에 필요한 더 긴 시간 범위의 분자 동역학을 수행합니다.

분석 계층에서는 포논 스펙트럼, 진동 모드 수명, 열전도도, 에너지 소산 경로, 결함 이동 장벽, 구조 안정성 지표를 추출합니다. 이를 통해 원자 수준의 동역학을 반도체 소재 설계와 연결하는 시뮬레이션 파이프라인을 구축하고 있습니다.

현재 구현 단계

현재는 반도체의 격자 동역학과 열전달을 분석하는 분자 동역학 워크플로를 구축하고 있습니다. DFT 계산, Ab Initio Molecular Dynamics, 고전 분자 동역학, 포논 분석 도구를 결합하여 유한 온도에서 반도체 시스템이 보이는 거동을 연구하고 있습니다.

단기적으로는 소재 안정성과 성능에 연성 격자 운동, 포논 감쇠, 결함 동역학, 전자–포논 상호작용이 중요한 페로브스카이트 및 광전자 소재에 집중하고 있습니다.

향후 연구 방향

향후에는 Hamiltonian 기반 및 AI 가속 분자 동역학으로 연구를 확장할 계획입니다. 반복적인 자기일관 DFT 계산보다 효율적으로 분자 동역학 궤적의 전자 구조 정보를 근사할 수 있는 학습형 DFT Hamiltonian 모델을 개발하고자 합니다.

또한 분자 동역학을 비단열 과정 및 전자–포논 결합 모델과 결합하여 반도체의 전하 운반자 이완, 고온 전하 운반자 냉각, 포논 매개 재결합을 연구할 계획입니다.

장기적으로는 온도 구배, 빛, 결함, 계면, 기계적 변형 등 실제 작동 조건에서 소재의 거동을 예측하는 반도체 동역학 플랫폼을 구축하고자 합니다. 이를 통해 안정적인 페로브스카이트, 효율적인 광전자 소재, 열적 신뢰성이 높은 반도체 소자의 설계를 지원할 계획입니다.

양자화학 시뮬레이션을 위한 양자컴퓨팅

Fri, 29 May 2026 00:00:00 +0000

프로젝트 목표

이 프로젝트에서는 양자화학, 신약 발굴, 반도체 소재 설계를 위한 하이브리드 Quantum-AI 방법을 개발하고 있습니다. 기존 AI 모델만으로 표현하기 어려운 분자 상호작용, 전자 구조, 소재 물성을 학습하기 위해 양자 신경망과 양자 호환형 학습 구조를 연구하고 있습니다.

장기적으로는 AI 기반 후보 탐색을 양자컴퓨팅 자원과 연결하여 신약 후보 분자와 차세대 반도체 소재, 특히 페로브스카이트와 광전자 소재를 더욱 정확하고 확장성 있게 발굴하는 것이 목표입니다.

연구 배경

신약과 소재를 발굴하려면 전자 상관, 분자 결합, 전하 수송, 밴드갭, 여기 상태, 결함 거동과 같은 양자 수준의 현상을 모델링해야 합니다. 이러한 물성은 분자 설계와 반도체 소재 발굴에 핵심적이지만 광범위한 화학 공간에서 모두 계산하려면 많은 비용이 필요합니다.

Quantum-AI 하이브리드 방법은 머신러닝의 확장성과 양자 영감 또는 양자 호환 표현을 결합하는 현실적인 접근법입니다. 이 프로젝트에서는 고전 시뮬레이션을 대체하기보다, 데이터 기반 예측과 미래의 양자 가속 계산을 연결하는 매개체로 양자 신경망을 활용하고 있습니다.

연구 방법

양자 신경망

매개변수화 양자 회로: 분자와 소재의 물성을 예측하기 위한 학습 가능한 양자 회로 모델을 설계하고 있습니다.
양자 특성 인코딩: 분자 기술자, 특성값, 구조 정보를 양자 회로에서 처리할 수 있는 형태로 표현하고 있습니다.
양자–고전 하이브리드 학습: 양자 신경망 계층을 기존 머신러닝 및 딥러닝 모델과 결합하고 있습니다.
하드웨어 호환형 구조: 실제 양자 프로세서에서 실행할 수 있도록 노이즈를 고려한 QNN 모델을 개발하고 있습니다.

신약 발굴을 위한 양자화학

분자 물성 예측: 후보 분자의 안정성, 반응성, 독성 관련 특성, 전자적 물성을 예측하고 있습니다.
약물–표적 상호작용 모델링: 결합 친화도, 선택성, 상호작용 패턴을 표현하는 모델을 학습하고 있습니다.
양자화학 기반 스크리닝: 전자 구조 정보를 반영한 기술자를 활용하여 유망한 신약 후보를 선별하고 있습니다.
반응과 분자 형태 모델링: 분자의 입체 구조와 화학 반응에 관여하는 양자 효과를 연구하고 있습니다.

페로브스카이트 반도체 소재 발굴

밴드갭 예측: 태양광 및 광전자 소자의 성능과 관련된 전자적 물성을 모델링하고 있습니다.
페로브스카이트 소재 설계: 안정적이고 효율적인 반도체 응용을 위해 할라이드, 유무기 하이브리드, 무연 페로브스카이트를 탐색하고 있습니다.
결함과 계면 모델링: 원자 수준의 결함이 전하 수송, 안정성, 소자 거동에 미치는 영향을 분석하고 있습니다.
Quantum-AI 기반 후보 선정: 태양전지, LED, 광검출기, 차세대 소자에 적합한 소재 후보를 선별하고 있습니다.

하이브리드 시스템 설계

현재 프레임워크는 하이브리드 발굴 파이프라인으로 설계하고 있습니다. 고전 AI 모델이 후보 분자를 생성하고 표현하며 우선순위를 정하면, 양자 신경망 구성 요소가 물성 예측에 필요한 양자 호환 표현을 학습합니다. 향후에는 전자 구조 추정, 분자 시뮬레이션, 양자 가속 학습을 지원하도록 실제 양자컴퓨팅 모듈을 연동할 계획입니다.

이 구조를 통해 초기에는 양자 회로 시뮬레이터를 기반으로 QNN을 개발하면서도, 향후 양자 하드웨어에 적용할 수 있는 모델 구조를 유지하고 있습니다.

현재 구현 단계

현재는 실제 양자컴퓨팅 하드웨어를 직접 사용하기에 앞서 양자 신경망 모델의 구조와 학습 방법을 연구하고 있습니다. 양자 회로 시뮬레이터와 하이브리드 신경망 구조를 이용하여 QNN 계층이 분자와 반도체 소재 정보를 어떻게 표현할 수 있는지 평가하고 있습니다.

이 단계에서는 하드웨어 기반 양자 계산으로 확장하기 전에 모델 구조, 데이터 표현, 학습 안정성, 벤치마크 성능을 검증하고 있습니다.

향후 연구 방향

향후에는 실제 양자컴퓨팅 자원을 발굴 파이프라인에 연동할 계획입니다. 회로 깊이, 노이즈 강건성, 큐비트 인코딩, 하이브리드 최적화를 개선하여 양자 신경망이 실제 양자 하드웨어에서 효율적으로 작동하도록 연구하고 있습니다.

장기적으로는 고전 AI 모델이 유망한 분자와 소재 후보를 선별하고, 양자컴퓨팅 자원이 전자 구조 모델링, 분자 시뮬레이션, 양자 가속 물성 예측을 지원하는 Quantum-AI 발굴 워크플로를 구축하고자 합니다.