밀도 범함수 이론(Density Functional Theory, DFT)은 전자 구조를 계산하는 대표적인 양자계산 방법론으로, 특히 고체 소재 연구에 적합한 접근법입니다. 우리 연구실에서는 DFT를 기반으로 고체/액체 계면에서 일어나는 촉매 반응을 전산 모사하여 그 본질적인 메커니즘을 이해하는 데 집중하고 있습니다.

그러나 기존의 방법론은 주로 ‘상수 전하(constant charge)’ 조건에서 수행되어, 실제 전기화학 환경에서의 과전위값과 촉매 구조 사이에 불일치를 초래하는 경우가 많았습니다. 이를 극복하기 위해 우리는 Grand-canonical DFT, Occupation Matrix Control 등의 기법을 도입하고 고도화하여, 전기화학 반응에 특화된 DFT 방법론 개발에 집중하고 있습니다.

Density Functional Theory (DFT) is one of the most widely used quantum computational methodologies for calculating electronic structures, particularly well-suited for solid-state materials. In our laboratory, we focus on simulating catalytic reactions occurring at solid/liquid interfaces based on DFT, aiming to uncover their fundamental mechanisms.

However, conventional approaches have typically been performed under constant charge conditions, which often lead to discrepancies between the applied overpotential and the actual catalyst structures in realistic electrochemical environments. To address this issue, we are developing and advancing methodologies such as Grand-canonical DFT and Occupation Matrix Control, with a strong emphasis on specialized DFT approaches tailored for electrochemical reactions.

[1] Chem. Eng. J., (2025) 512, 162357. 

[2] J. Mater. Chem. A, (2022) 10, 22523. 

이산화탄소를 유용한 화합물로 전환하거나 물로부터 수소를 생산하는 전기화학 촉매 반응은 오늘날 인류가 직면한 에너지 및 환경 문제를 해결할 수 있는 가장 유망한 전략 중 하나입니다. 이러한 전기화학 촉매 반응의 효율을 극대화하고 진정한 화석연료 대체를 실현하기 위해서는 고효율 촉매의 정교한 설계가 필수적입니다.

특히 계산화학에 기반한 이론적 촉매 설계 전략은 원자 수준에서 반응 메커니즘을 해석할 수 있는 강력한 인사이트를 제공하여, 탐색해야 할 소재 후보군의 범위를 획기적으로 줄여줍니다. 더불어 최근 인공지능(AI)의 도입은 새로운 설계 패러다임을 열어, 촉매 소재 개발에 혁신적 가치를 더하고 있습니다. 우리 연구실은 이러한 계산적 인사이트를 토대로 실험 연구진과 긴밀히 협력하며, 차세대 에너지 촉매 소재 설계에 시너지를 창출하는 것을 목표로 하고 있습니다. 

Electrochemical catalytic reactions that convert carbon dioxide into valuable chemicals or generate hydrogen from water represent highly promising strategies for addressing today’s pressing energy and environmental challenges. To maximize the efficiency of these reactions and achieve a genuine replacement for fossil fuels, the precise design of highly efficient catalysts is essential.

In particular, theoretical catalyst design strategies based on computational chemistry provide atomic-level insights into reaction mechanisms, dramatically narrowing the search space for viable material candidates. Furthermore, the recent integration of artificial intelligence (AI) has opened a new paradigm in materials design, creating added value and accelerating discovery. Building on such computational insights, our laboratory aims to generate strong synergy with experimental research groups to advance the rational design of next-generation energy catalysts. 

[1] J. Am. Chem. Soc., (2021) 143, 925. 

[2] ACS Catalysis, (2020) 10(19), 10920. 

전기화학 촉매 반응에서 ‘고성능’ 촉매가 실현되기 위해서는 몇 가지 핵심 요소가 충족되어야 합니다. 첫째, 실제 전기화학 환경에서의 촉매 활성, 둘째, 고체/액체 계면에서의 복잡한 동역학을 고려한 속도론적 관점에서의 선택도 분석, 셋째, 작동 환경에서의 촉매 내구성 보장입니다. 이러한 세 가지 요소가 균형 있게 충족될 때 비로소 실제 응용 가능한 촉매 설계가 가능해집니다.

우리 연구실은 이를 위해 전기화학에 특화된 Advanced DFT 방법론과 ab initio 분자동역학(AIMD), 그리고 인공지능(AI) 기법을 활용하여 촉매의 활성, 선택도, 내구성에 대한 종합적인 인사이트를 제공하는 것을 목표로 하고 있습니다. 나아가 이러한 연구를 토대로 전기화학 전반에 대한 수준 높은 이해를 구축하고, 차세대 에너지 촉매 개발의 이론적 기반을 마련하고자 합니다.

For electrochemical catalytic reactions, the realization of a truly “high-performance” catalyst requires the fulfillment of three critical aspects: (1) catalytic activity under realistic electrochemical environments, (2) selectivity analysis from a kinetic perspective that accounts for the complex dynamics at solid/liquid interfaces, and (3) durability of the catalyst under operating conditions. Only when these three aspects are comprehensively addressed can catalyst design be translated into practical applications.

To this end, our laboratory focuses on providing holistic insights into catalyst activity, selectivity, and durability by combining electrochemistry-specialized Advanced DFT, ab initio molecular dynamics (AIMD), and artificial intelligence (AI) approaches. Through this integrative framework, we aim to establish a deeper understanding of electrochemistry as a whole and contribute to the rational design of next-generation energy catalysts.

[1] Chem. Eng. J., (2025) 512, 162357. 

[2] J. Mater. Chem. A, (2022) 10, 22523. 

[3] Appl. Catal., B, (2025) 361, 124666. 

[4] Angew. Chem. Int. Ed., (2021) 133, 20691. 

우리 연구실은 전통적인 양자역학 기반 계산 방법론(DFT, AIMD)의 한계를 극복하고, 촉매 연구의 효율을 비약적으로 향상시키기 위해 인공지능(AI)을 접목한 연구를 수행하고 있습니다. 특히 대규모 시뮬레이션 데이터를 학습하여 반응 경로와 활성점을 자동으로 식별하고, 분자동역학 궤적을 예측·생성할 수 있는 머신러닝 및 생성 모델(generative models) 개발에 집중하고 있습니다. 이를 통해 촉매의 활성, 선택도, 내구성에 대한 다차원적 예측이 가능해지고, 소재 탐색 범위를 획기적으로 줄일 수 있습니다.

나아가 최근에는 거대언어모델(LLM) 기반 모델을 활용하여 촉매의 반응 속도, 상태 전환 시점 등 기존 계산 방법론으로는 장시간 시뮬레이션이 필요한 문제를 효과적으로 다룰 수 있는 접근을 모색하고 있습니다. 이러한 AI 기반 시뮬레이션은 실험 연구와도 밀접하게 연계되어, 실제 촉매 설계 과정에서 빠른 피드백과 지침을 제공할 수 있습니다. 우리 연구실은 이와 같은 AI 연구를 통해 계산과학과 실험을 잇는 새로운 패러다임을 제시하고, 차세대 에너지 촉매 설계에 기여하고자 합니다.

Our laboratory integrates artificial intelligence (AI) with traditional quantum-mechanical methodologies such as DFT and AIMD to overcome their inherent limitations and dramatically enhance the efficiency of catalyst research. We focus on developing machine learning and generative models capable of learning from large-scale simulation datasets to automatically identify reaction pathways and active sites, as well as to predict and generate molecular dynamics trajectories. This enables multidimensional predictions of catalytic activity, selectivity, and durability, while significantly reducing the search space for promising materials.

Recently, we have explored large language model (LLM)-based approachs to address challenges such as predicting reaction kinetics and state transitions that would otherwise require prohibitively long simulations. These AI-assisted simulations are closely integrated with experimental research, providing rapid feedback and practical guidance for catalyst design. Through such efforts, our laboratory aims to establish a new paradigm bridging computational chemistry and experiments, ultimately contributing to the rational design of next-generation energy catalysts.