The High-throughput Ab-initio Nanomaterials Simulations (HANS) Lab, led by Professor Byungchan Han in the Department of Chemical and Biomolecular Engineering at Yonsei University, integrates quantum mechanics-based computational chemistry, multiscale materials simulation, and machine learning and physics-based AI technologies to elucidate the operation mechanisms and design principles of next-generation energy materials. Based on density functional theory (DFT), molecular dynamics (MD), thermodynamics, and reaction kinetics analyses, our lab unravels the “structure-property-performance” relationship of various materials at the atomic and electronic levels. By integrating these findings with machine learning, our lab is expanding its research scope to include complex catalytic surfaces, electrode/electrolyte interfaces, nanoparticles, and solid electrolyte systems – areas that were previously difficult to address using conventional computational methods.

   The strength of our laboratory lies in going beyond simple property prediction to elucidate how materials change and exhibit performance under “actual operating conditions”. Targeting a wide range of energy and environmental systems – including water electrolysis, metal-air batteries, all-solid-state batteries, seawater electrolysis, nanomaterial growth, and membrane materials – we are efficiently exploring vast material spaces using machine learning-based interatomic potentials, active learning, high-throughput screening, and data-driven catalyst design techniques. We are building a predictive material design platform that bridges computation and experiments.

​

연세대학교 화공생명공학부 한병찬 교수 연구실(HANS Lab)은 양자역학 기반 계산화학, 멀티스케일 소재 시뮬레이션, 그리고 머신러닝·물리 기반 인공지능 기술을 하나로 결합하여 차세대 에너지 소재의 작동 원리와 설계 원칙을 규명합니다. 밀도범함수이론(DFT), 분자동역학(MD), 열역학 및 반응속도론 해석을 바탕으로 원자·전자 수준에서 소재의 ‘구조–물성–성능’ 상관관계를 풀어내며, 이를 머신러닝과 결합해 기존 계산 방법으로는 접근하기 어려웠던 복잡한 촉매 표면, 전극/전해질 계면, 나노입자, 고체전해질 시스템까지 연구 범위를 넓히고 있습니다.

​

본 연구실의 강점은 단순한 물성 예측을 넘어, 소재가 ｢실제 작동 조건｣에서 어떻게 변화하고 성능을 발현하는지를 규명한다는 데 있습니다. 수전해, 금속–공기전지, 전고체전지, 해수 전기분해, 나노소재 성장, 분리막 소재 등 폭넓은 에너지·환경 시스템을 대상으로, 머신러닝 기반 원자간 포텐셜·능동학습·고속 스크리닝·데이터 기반 촉매 설계 기법을 활용해 방대한 소재 공간을 효율적으로 탐색하고, 계산과 실험을 잇는 예측형 소재 설계 플랫폼을 구축하고 있습니다.