Research Topics

We use first-principles calculations and atomistic simulations to understand how interfaces, defects, and electronic structures govern material properties and chemical reactions. By closely integrating computational modeling with operando/in-situ experiments, we aim to establish fundamental design principles for catalysts and energy-storage materials. 

원자 수준의 계산과 시뮬레이션을 통해 소재의 계면, 결함 및 전자 구조가 물성과 화학 반응에 미치는 영향을 규명합니다. 또한 실험 연구진과의 긴밀한 협력을 통해 계산과 operando/in-situ 실험 결과를 연계하고, 촉매 및 에너지 저장 소재의 합리적인 설계 원리를 제시하고자 합니다. 

We combine artificial intelligence with first-principles calculations to accelerate materials modeling and discovery. Our research explores data-driven models, active learning, and AI-assisted scientific workflows to identify structure–property relationships and efficiently explore complex materials spaces. 

인공지능과 제일원리 계산을 결합하여 복잡한 소재를 보다 빠르고 효율적으로 탐색합니다. 데이터 기반 모델과 능동학습 등의 AI 기술을 활용하여 소재의 구조와 물성 사이의 관계를 이해하고, 새로운 소재와 최적의 구조를 효과적으로 발굴하는 연구를 수행합니다. 

We develop machine-learning interatomic potentials (MLIPs) that combine first-principles accuracy with the efficiency of classical simulations. This enables large-scale simulations of structural evolution, chemical reactions, interfaces, and defects beyond the time and length scales accessible by conventional DFT. 

제일원리 계산의 정확성과 고전 분자동역학의 계산 효율성을 결합한 머신러닝 원자간 포텐셜(MLIP)을 개발하고 활용합니다. 이를 통해 기존 DFT 계산으로 접근하기 어려운 큰 규모와 긴 시간 영역에서 소재의 구조 변화, 화학반응, 계면 및 결함 거동을 연구합니다.