현재 양자/반도체 소자의 성능을 획기적으로 향상하기 위해서는 실리콘을 능가하는 소재 특성을 보이는 와해성 신소재 연구 및 개발이 필수적입니다. 이를 위해서 본 학과에서는 2차원 반도체 소재,
산화물 반도체, 질화물 반도체, 전도성 고분자, 강유전체와 같은 현재 소자 성능을 획기적으로 향상시킬 수 있고, 새로운 기능을 발현할 수 있는 양자/반도체 신소재 합성 및 특성 분석에 관한 연구를
수행하고 있습니다. 또한, 이와 같은 신소재 기술을 신소자에 적용하는 연구를 다양한 협력연구를 통해서 수행하고 있습니다.

현재 양자/반도체 소자의 성능을 획기적으로 향상하기 위해서는 실리콘을 능가하는 소재 특성을 보이는 와해성 신소재 연구 및 개발이 필수적입니다. 이를 위해서 본 학과에서는 2차원 반도체 소재,
현재 로직 소자 및 메모리 소자는 크기가 극도로 작아지면서, 소자의 성능을 유지하면서 전력소모를 줄이는 소자 연구가 필수적입니다. 이를 위해서 본 학과에서는 저전력 로직 소자, 고밀도 메모리
소자, 인간의 뇌를 모방한 뉴로모픽 소자 개발 및 공정 기술에 관한 연구를 수행하고 있습니다. 또한, 강유전 소재, 연성 소재, 투명 소재와 같은 신기능 소재를 기존 소자에 융합하여 새로운 기능을 부
여하는 전자 소자 연구 또한 진행되고 있습니다.수행하고 있습니다. 또한, 이와 같은 신소재 기술을 신소자에 적용하는 연구를 다양한 협력연구를 통해서 수행하고 있습니다.

빛-소재의 상호작용 현상은 LED, 디스플레이, 광센서와 같은 광소자 구현을 가능하였습니다. 광소자 성능(고해상도, 고휘도, 저전력)을 획기적으로 향상하기 위한 소자 개발 및 공정 기술에 관한 연구
를 수행하고 있습니다. 또한, 나노 구조 형성 및 신소재 적용을 융합한 광소자 연구 또한 활발히 진행되고 있습니다.

살아있는 세포는 여러 가지 세포 인자들(예 : 유전자, 수용체, 효소, 항체, 세포막 등)로 구성되어, “생명 유지”라는 놀라운 현상과 함께 매우 다양하고 유익한 생물학적 기능들(유전정보의 복제/전달/
교체, 선택적 촉매반응, 목표분자인식, 물질출입 통제/조절 등)을 수행한다. 세포 인자들은 핵산(DNA, RNA), 아미노산(단백질), 당류(탄수화물)와 같은 자연계의 서열조절 고분자들을 주성분으로 하
고, 위와 같은 흥미로운 기능들은 그 생체고분자가 이루는 독특한 삼차원 나노구조에 기인한다. 이러한 분자 생물학적 기본 원리를 통해, 우리는 “합리적 분자 설계”와 “시험관 분자 진화”라는 혁신적
신기술들을 활용하여 세포 인자의 분자적 기능 수행이 가능한 서열조절 생체고분자를 새롭게 개발하고자 한다. 개발된 합성 세포 인자들을 토대로 고성능 바이오센서, 약물 치료제와 같은 전통적 생
명공학의 분야뿐만 아니라, 합성 생물학이 지향하는 세포 기능의 자유로운 조절을 통한 인공 세포의 구현이라는 창조적이고 획기적인 과제들에 도전하고자 한다.

연성 재료는 콜로이드, 액정, 에멀젼, 고분자, 젤 등과 같은 분자 물질 그룹에 대한 일반적인 용어이다. 특히, 고분자는 분자 운동에 의해 형태가 다양하게 변하여 큰 엔트로피를 생성 할 수 있다. 따라
서, 고분자는 고무 탄성과 같은 엔트로피에 의해 지배되는 물리적 특성을 나타낸다.
우리는 고분자의 종류, 구성, 구조 등을 전략적으로 설계하여, 자극 반응형 젤 및 폴리머와 같은 지능형 연질 재료를 개발하고자 한다. 자극 반응성 젤은 자극에 반응하여 중합체의 화학적 변화로부터
거시적인 변형이 발생되며 이를 통해 기계적 에너지를 생성 할 수 있다. 이를 이용한 소프트 로봇, 센서, 에너지재료 등이 활발히 개발 되고 있다. 보다 효율적이고 지능적인 연성 재료를 개발하기 위하
여 자연 및 생물학적 시스템의 운영 체제와 메커니즘을 이해하고, 이를 모방하는 연구가 진행중이다.

최근 빠른 속도로 발전하고 있는 인공지능 분야는 인간의 뇌에서 뉴런과 시냅스를 통해 정보를 전달하고 처리하는 방식을 모방한 뉴럴 네트워크 (인공신경망, Artificial neural network) 기술 기반의 기계학습(Machine Learning)을 통하여, 자연어 처리 및 이미지 인식 등의 다양한 응용 분야에서 인간의 능력을 뛰어넘는 성능을 보여주며 산업계는 물론 인류의 삶 자체에 지대한 파급효과를 가져오고 있다. 이렇게 폭발적으로 증가하고 있는 인공지능 관련 연산을 현재의 방식에 비해 수백 배에서 수천 배 이상 빠르고 효율적으로 수행하기 위하여, 저항변화 소자 어레이 기반의 딥 러닝 가속기(Deep learning accelerator)나 SNN(Spiking Neural Network) 등을 구현하기 위한 새로운 특성의 소재와 소자 개발이 요구되고 있다. 우리 학과에서는 이러한 인공지능과 뉴로모픽 컴퓨팅에 적합한 다양한 소재와 작동원리의 차세대 반도체 소자를 연구하고 있다.

초기 청동기 시대 이후, 인류는 합금 원소를 첨가함으로써 재료의 특성을 조절하였습니다. 예를 들어, 약 1천 년 전 매우 연한 순수 은에 소량의 구리 첨가를 통해 주화용 순수 은을 만들었습니다. 현대에는 기본적으로 철을 포함하며 강도와 부식 저항성을 위한 탄소와 크로뮴이 첨가된 강이 있고, 베릴륨이 첨가된 구리 합금은 강하고 폭발 환경에서 스파크가 튀지 않게하는 용도로 쓰이고 있습니다. 이는 오랜 시간 동안 금속 합금의 조성 조절을 통해, 재료의 원하는 특성을 제공하였다는 것을 의미합니다. 소수의 예외 사항을 제외하고, 상대적으로 적은 양의 첨가 원소를 기존 원소에 포함하는 합금 설계의 기본적인 전략은 수천 년 동안 바뀌지 않았습니다 (예시로, 철에 탄소가 첨가된 철강 혹은 알루미늄에 구리가 첨가된 알루미늄 합금 등). 그러나 지난 15년 동안 다수의 고농도 주 원소를 가진, 새로운 합금설계 전략을 통한 고엔트로피 합금(High-entropy alloy)이 출현하였습니다. 이러한 접근에 의해 고엔트로피 합금 설계의 조성 영역은 기존 합금에 비하여 고차원적으로 상당히 크게 넓어졌을뿐아니라, 사실상 제한이 없습니다. 지금까지는 매우 작은 조성 범위만이 연구되어왔음에도, 몇몇의 고엔트로피 합금은 이미 기존의 합금을 뛰어넘는 우수한 기계적, 자기적 및 불변하는 성질을 보였으며, 더 많은 이러한 고엔트로피 합금이 미래에도 계속 발견될 것으로 기대됩니다.

적층 제조 (Additive Manufacturing) 또는 금속 3D 프린팅은 3차원으로 설계된 CAD (Computer aided design)파일과 원료로부터 부가적인 공적없이 복잡한 부품을 생산할 수 있는 혁신적인 금속 야금 제조법입니다. 이는 개인별 맞춤 생산, 복잡한 형상 및 경량화 가능성 등의 높은 잠재력을 가집니다.
적층 제조의 장점은 복잡한 내부구조와 같은 무수히 다양한 형상을 만들 수 있다는 것입니다. 예시로 원하는 형태의 3차원 형상 및 언더컷트 또한 가능하기에, 오늘날 도구제작과 의료분야와 같은 많은 산업군에서 맞춤형 제품 생산에 사용됩니다. 이러한 요구는 지속적으로 증가하는 추세이며 생산 과정 중 단일 생산라인에서 다품종 소량생산이 필요성이 증가합니다.
하지만 기존의 생산시스템은 대량생산을 통한 경제적 수익을 창출하기에 이러한 요구를 충족하기 어렵습니다. 따라서 대량의 고객 맞춤형 제품 생산을 위한 저비용 및 완제품에 근접한 (값비싼 추가
후 처리가 필요없는) 제조 공정이 필요합니다. 적층제조는 이러한 기준들을 충족할 뿐아니라, 맞춤형 및 소규모 생산을 원하는 대로 가능하게 합니다.

디지털 트윈, 멀티스케일 및 다중물리 소재 모델링은 다양한 과학적 기존의 방식들과 새로운 방식을 통합하여 재료과학과 공학에 필수적인 현상과 과정들의 방대한 시간 및 규모 범위를 연결할 수 있습니다. 재료의 특성과 공정에 영향을 주는 실제 기온 및 압력 조건과 같은 물리, 화학적 묘사를 위한 전자 구조 이론과 통계적 방법의 연결은 필수적입니다. 이를 통해, 최근 몇 년간 기술적인 것부터 예측적인 접근까지 디지털 트윈 분야는 놀라운 발전과 함께, 실제적 조건하의 복잡한 재료의 기능과 특성에 대한 모델링을 이루어냈습니다.
멀티스케일 및 다중물리 모델은 다양한 연구와 공학 분야에 적용됩니다. 멀티스케일 모델링의 가장 대표적 분야는 이제까지 실험적으로 관찰했던 범위를 넘어 복잡한 재료의 구조, 공정과 특성간의 관계를 예측하는 것입니다. 이처럼 이제껏 알려지지 않은 재료의 구조, 특성과 성능 예측모델도 큰 관심을 받고있습니다. 세번째 핵심 분야는 제조 공정의 시뮬레이션을 통해 제품 구조-특성을 예측하는 적합한 멀티스케일 모델의 발전입니다.
합성 미세구조를 사용한 full-field 시뮬레이션은 미세구조를 구성하는 변수와 재료 특성간 연관성을 실험하기 전 예측하거나 이해할 수 있게합니다. 기계 학습을 이용한다면 몇 번의 full-field 시뮬
레이션만으로 기존의 계산에 소요되는 비용 문제를 해결할 수 있으며, 다양한 미세구조의 폭 넓은 구조-특성간 관계를 정립할 수 있습니다. 더욱이 예상되는 개선 알고리즘 적용을 통해, 적은 시뮬레
이션으로도 가장 원하는 특성을 가지는 미세구조를 구현해 낼 수 있습니다.

부식이란 정제된 합금이 주변 환경으로 인해 열역학적으로 안정한 상인 산화물 등으로 변환되어 본래 재료로서 기능을 상실하는 현상을 일컫습니다. 재료의 부식 특성은 구조물의 수명을 결정하는 가장 중요한 요인으로, 부식 방식 기술의 발달은 곧 금전적 가치와 안전사고의 방지와 직결되어 있습니다. 재료의 부식은 산업 현장에서 보수비용 및 설비 비용을 증대 시키며 장비의 생산성과 수명을 단축시켜 막대한 경제적 손실을 야기합니다. 또한 재료의 부식은 구조물의 붕괴와 화재 사고 뿐만 아니라 활성이 강한 독성 물질을 저장하고 운반하는 컨테이너의 위험 물질의 누설 사고를 유발하는 원인이 됩니다. 또한 부식으로 인해 발생하는 다량의 폐기물은 환경 오염을 일으켜 생태를 교란하는 원인으로 작용하기도 합니다.
현대에 이르러 스테인리스강의 개발과 발전으로 철강의 부식 저항성은 비약적으로 발전하였으나, 극저온과 고온, 마모 환경, 해수 환경과 같은 극한 환경에서의 부식은 여전히 산업적으로 큰 경제적, 환경적 피해를 야기하고 인명 사고를 일으키는 원인이 됩니다. 해수 환경, 우주 공간 등 가혹 환경에서의 부품 교체 및 수리는 극히 어렵거나 불가능하기 때문에 강한 부식 저항성을 가진 구조재료의 필요성은 나날이 증가하고 있습니다.
전기화학적 분석기법의 발전으로 우리는 재료 표면의 수 원자층에서 발생하는 부식 반응의 열역학적 속도론, 평형론적 관계를 확립하고 나아가 부식 반응 전반의 매커니즘을 분석할 수 있게 되었습니다. 또한 전기화학적 부식 반응을 제어하여 반영구적 표면 처리를 통해 마모 저항성을 향상시키고 장식성을 부가하는 등의 응용 분야 연구도 활발히 진행되고 있습니다.

기계학습은 인간의 인지적 기능을 모방한 것이다. 연구자가 실험 측정값(데이터)을 분석하고 자연의 규칙(패턴)을 찾는 것과 동일하게 데이터의 패턴을 학습하고 학습된 패턴으로 추론한다. 기계학습의 과정은 무한한 공간에서 유의미한 영역만 구별해내는 것으로 이해할 수 있다. 예를 들어 1000×1000 픽셀의 이미지는 1,000,000 차원의 공간에 해당하지만 얼굴에 해당하는 공간은 눈, 코, 입, 귀, 머리 등 특정 패턴에 따라 수 차원으로 표현된다. 비슷하게 이러한 기계학습 과정을 소재 디자인에 응용하여 다양한 원자의 배열로 나타나는 공간에서 물성 패턴을 연구하는 것이 기계학습 기반 소재 디자인이다. 기계학습 기반 소재 디자인은 소재 데이터베이스와 기계학습 플랫폼을 활용해 필요한 특성의 소재를 빠르게 찾거나 새로운 소재의 물성을 높은 정확도로 예측하여 신소재 개발 및 물성 최적화를 목표로 한다.

제1원리 계산은 양자역학에 기반한 슈뢰딩거 방정식을 푸는 것으로 물질의 전자 구조를 분석하고 물성을 예측한다. 전자 구조 분석을 통해 실험으로 측정하기 어려운 원자 수준에서 나타나는 현상을 밝히고 실험 없이 물성을 예측하여 신소재 개발에 활용된다. 또한 전자 구조를 직접 계산하는 제1원리 계산의 특성상 모든 물질을 연구하는데 응용될 수 있다. 태양전지 재료에 요구되는 띠틈, 흡광계수, 이차전지 재료의 화학퍼텐셜, 전이금속의 산화수, 정보 재료의 결함전하상태, 촉매 재료의 전하이동 등 전자와 관련된 특성들을 직접 계산할 수 있고, 구조 재료의 기계적 성질, 생체 재료의 분자가 상호작용 등 원자 수준의 특성 또한 계산할 수 있다. 이론적으로 모든 특성을 예측할 수 있지만 고속연산장치(HPC)의 한계로 현실적으로는 최대 nanometer, picosecond 스케일로 제한된다. 그럼에도 불구하고 대부분의 물질 연구에서 제1원리 계산이 활용되고 있는 이유는 모델링을 통해 물질의 내재적 특성과 겉으로 드러나는 현상을 연결 지을 수 있기 때문이다.

분자 동역학 계산은 원자 간 퍼텐셜 (interatomic potential 또는 force field) 모델을 이용한 원자단위 시뮬레이션을 말한다. 본래 원자 scale에서 소재의 거동을 예측하기 위한 가장 정확한 이론적 방법은제일원리 계산을 수행하는 것이다. 그러나, 제일원리계산으로 다룰 수 있는 원자의 수는 계산량의 한계로 인해 통상 수백 개로 제한되기 때문에, 그 이상의 원자 개수를 고려해야 하는 소재 현상에 대해선 Large-scale atomistic simulation이 그 대안이 된다. 본 기법은 제일원리계산에 비해 정확도는 떨어질 수 있으나, 다루려는 특성에 대한 사전 계산 결과를 폭넓게 검증함으로써 계산의 신뢰성을 유지하고, 무엇보다 수백만 이상의 원자들을 고려할 수 있음으로 해서, 제일원리계산으로는 접근이 힘든 다양한 소재 현상을 분석, 예측할 수 있게 해준다.