계산, 실험, 인공지능이라는 세 가지 축이 서로를 검증하고 가속하는 연구를 지향합니다. 계산이 후보를 제안하면 실험이 검증하고, 그 데이터가 다시 모델을 개선합니다. Our three pillars, computation, experiment, and AI, validate and accelerate one another: calculations propose candidates, experiments verify them, and the resulting data refines our models.
DFT/VASP 기반 제일원리 계산으로 촉매 표면의 흡착 에너지와 반응 경로를 계산하고, 전기화학 반응의 활성점과 메커니즘을 원자 수준에서 규명합니다. Using first-principles DFT/VASP calculations, we compute adsorption energies and reaction pathways on catalyst surfaces, identifying active sites and mechanisms of electrochemical reactions at the atomic level.
그래프 신경망(GNN)을 활용한 대규모 소재 스크리닝으로 합금과 산화물의 방대한 조성 공간에서 유망한 후보 소재를 빠르게 선별합니다. 자체 HPC 클러스터에서 고처리량 계산을 수행합니다. Graph neural networks enable large-scale screening across vast alloy and oxide composition spaces, rapidly narrowing down promising candidates. High-throughput calculations run on our in-house HPC cluster.
촉매를 넘어 반도체 공정용 내식성(내플라즈마) 소재의 계산 기반 설계도 함께 진행하고 있습니다. Beyond catalysis, we also pursue computational design of corrosion- and plasma-resistant materials for semiconductor processing.
그린수소 생산의 핵심인 수전해 기술을 연구합니다. 산소발생반응(OER)과 수소발생반응(HER)용 전기촉매를 설계·합성하고, 반쪽전지 평가를 넘어 PEM/AEM 수전해 단위전지 수준에서 성능과 내구성을 검증합니다. We study water electrolysis, the key technology for green hydrogen production. We design and synthesize electrocatalysts for the oxygen and hydrogen evolution reactions (OER/HER), validating them beyond half-cell tests in PEM/AEM single-cell electrolyzers.
이리듐 산화물 기반 촉매의 저이리듐화, 비귀금속 (옥시)수산화물 촉매, 전극-전해질 계면 설계 등 소재부터 시스템까지 이어지는 연구를 수행합니다. Topics span from low-iridium oxide catalysts and PGM-free (oxy)hydroxides to electrode-electrolyte interface engineering, connecting materials to systems.
머신러닝으로 실험과 계산만으로는 다루기 어려운 방대한 소재 공간을 탐색합니다. 3원계 합금 촉매의 활성 예측, 나노입자의 전기화학적 안정성 탐색 등 데이터 기반 촉매 설계를 수행해 왔습니다. Machine learning lets us explore materials spaces far beyond the reach of experiment or computation alone. Our work includes activity prediction for ternary alloy catalysts and stability mapping of real-scale nanoparticles.
계산 데이터와 실험 결과를 잇는 파이프라인을 구축하여, 모델의 예측이 실제 소재 개발로 이어지는 선순환을 만드는 것이 목표입니다. Our goal is a closed loop where model predictions feed real materials development, built on pipelines that connect computational data with experimental results.