Beyond Woodward–Fieser Rules: Design Principles of Property-Oriented Chromophores Based on Explainable Deep Learning Optical Spectroscopy

이 연구에서는 실험 기반으로 구축된 7가지 광학 특성(λₘₐₓ, 반치폭, 소광 계수(ε), 형광 양자수율(Φ), 들뜬 상태 수명(τ) 등)에 대한 대규모 데이터셋과 설명 가능한 딥러닝 모델을 결합하여, 기존 Woodward–Fieser 규칙을 넘어서는 구조–광학 특성 상관관계를 정량적으로 분석하고, 이를 기반으로 특성 지향적 크로모포어 설계 원리를 제시하였다. 학습된 그래프 신경망은 각 광학 특성을 예측할 뿐 아니라, attention 기반 분석을 통해 conjugation 길이, 전자음성기 위치, 비공유 전자쌍의 위치, 분자 비대칭성 등의 요소가 λₘₐₓ 및 다른 광학 특성에 어떻게 기여하는지를 분자 구조 수준에서 시각화하고 정량화할 수 있다. 이러한 분석을 바탕으로 흡광도 조절, 발광 파장 조정, 형광 효율 제어 등 목표 특성을 중심으로 한 분자 설계 방향성을 제시하였고, 일부 분자는 실제 합성과 실험을 통해 모델의 예측 정확도와 설계 전략의 유효성을 검증하였다. 본 연구는 데이터 기반 분광 모델을 통해 경험적 규칙에 의존하지 않고도 해석 가능성과 설계 가능성을 동시에 확보한 광학 분자 디자인 전략을 제안한다.