Research

Research

Artificial Intelligence in Chemistry

물리화학적 성질 예측, 분자 스펙트럼 예측, 화학무기 등 위험 물질의 독성 예측을 위한 머신러닝 및 딥러닝 모델을 개발하고 있습니다. 대규모 화학 데이터셋과 첨단 신경망 구조를 활용하여, 실험적 취급이 어렵거나 불가능한 유해 화합물의 신속한 스크리닝과 평가를 가능하게 하며, 보다 안전한 화학물질 탐색 및 화학 안전성 평가를 가속화하는 연구를 수행하고 있습니다.

We develop machine learning and deep learning models tailored for chemical applications, including the prediction of physicochemical properties, molecular spectra, and toxicity of hazardous substances such as chemical warfare agents. By leveraging large-scale chemical datasets and advanced neural network architectures, our AI-driven approaches enable rapid screening and assessment of dangerous compounds that are difficult or impossible to handle experimentally, accelerating the discovery of safer chemical alternatives and strengthening chemical safety evaluation.

NMR & Quantum Hyperpolarization

SABRE(Signal Amplification by Reversible Exchange)를 포함한 파라수소 기반 초분극 기술과 NV center를 활용한 초분극 시스템을 연구하여 NMR 신호 감도를 획기적으로 향상시키는 연구를 수행하고 있습니다. 이를 통해 극미량 화학물질 검출과 기존 NMR 방식으로는 접근하기 어려운 분자 구조 탐색의 새로운 경로를 개척하고 있으며, 촉매 설계, 초분극 전달 메커니즘, 그리고 대사체학 및 화학물질 검출 응용 분야까지 연구 범위를 확장하고 있습니다.

We investigate parahydrogen-based hyperpolarization techniques, including SABRE (Signal Amplification by Reversible Exchange) and NV center-based hyperpolarization techniques, to dramatically enhance NMR signal sensitivity. This research opens new pathways for detecting trace-level chemicals and probing molecular structures that are otherwise inaccessible by conventional NMR methods. Our work spans catalyst design, hyperpolarization transfer mechanisms, and applications in metabolomics and chemical detection.

Quantum Chemical Calculations

밀도범함수 이론(DFT) 및 ab initio 방법 등 고전적 양자화학 계산 기법을 활용하여 화학 반응성, 분자 특성 및 반응 메커니즘을 예측하는 연구를 수행하고 있습니다. 복잡한 분자 시스템의 전자 구조와 에너지론에 대한 근본적인 이해를 제공하며, 실험 연구를 보완하고 새로운 화학 소재의 합리적 설계를 지원합니다.

We employ classical quantum chemical calculation methods—including density functional theory (DFT) and ab initio approaches—to predict chemical reactivity, molecular properties, and reaction mechanisms. Our computational studies provide fundamental insights into electronic structures and energetics of complex molecular systems, complementing experimental efforts and guiding the rational design of new chemical materials..

Quantum Computing Algorithms

고전 컴퓨팅의 한계를 넘어서는 복잡한 화학 문제를 해결하기 위한 양자 컴퓨팅 알고리즘을 개발하고 적용하는 연구를 수행하고 있습니다. 분자 에너지 계산을 위한 변분 양자 고유값 해석기(VQE), 효율적인 양자화학 시뮬레이션을 위한 샘플 기반 양자 대각화(SQD), 그리고 양자 신경망과 고전적 머신러닝을 통합하는 양자-AI 하이브리드 알고리즘 연구에 집중하고 있습니다. 양자 컴퓨팅의 연산 능력과 AI 기반 접근법을 결합하여, 분자 시뮬레이션과 화학물질 특성 예측의 새로운 가능성을 열어가고 있습니다.

We develop and apply quantum computing algorithms for solving complex chemical problems beyond the reach of classical computation. Our research focuses on Variational Quantum Eigensolver (VQE) for molecular energy calculations, Sample-based Quantum Diagonalization (SQD) for efficient quantum chemistry simulations, and Quantum–AI hybrid algorithms that integrate quantum neural networks with classical machine learning. By combining quantum computational power with AI-driven approaches, we aim to push the boundaries of molecular simulation and chemical property prediction.