AI & Computational Chemistry
인공지능 및 계산과학
Machine learning and computational methods for materials design and optimization.
머신러닝, 양자화학, 멀티스케일 시뮬레이션을 연계하여 에너지·전기화학 촉매 소재 및 전극 설계와 최적화를 가속화하는 연구를 수행합니다.
AI-Driven Interatomic Potentials
AI 기반 원자간 포텐셜
We leverage machine learning to develop accurate interatomic potentials for materials simulation. Our neural network potentials enable quantum-accuracy simulations at fraction of computational cost.
머신러닝을 활용하여 정확한 원자간 포텐셜을 개발합니다. 신경망 포텐셜을 통해 계산 비용의 일부로 양자 정확도 시뮬레이션을 가능하게 합니다.
Multiscale Modeling
멀티스케일 모델링
Our multiscale modeling approach bridges quantum mechanics to continuum scales, enabling predictive design of energy materials from atomic to electrode level.
양자역학부터 연속체 스케일까지 연결하는 멀티스케일 모델링을 통해 원자 수준부터 전극 수준까지 에너지 소재의 예측 설계를 가능하게 합니다.
Model-Guided Electrode & Cell Optimization
모델 기반 전극 및 셀 최적화
We build predictive models from experimental and operational data to navigate the design space and optimize electrode and cell behavior.
실험 및 운전 데이터로부터 예측 모델을 구축해 설계 공간을 탐색하고 전극 및 셀 거동을 최적화합니다.