top of page

Research

Chemical application of machine/deep learning

​​​​​​​​​​​​기계 학습/심층 학습을 기반으로 매우 많은 종류의 분자와 그 해당 성질을 모아둔 데이터베이스를 활용해 분자 구조와 그 성질을 연관 짓는 규칙을 얻을 수 있고, 임의의 분자의 성질을 학습된 규칙을 통해 예측할 수 있다. 

또한, 특정한 분자 구조의 성질을 예측하는 것 뿐만 아니라 심층 학습/강화 학습을 기반으로 원하는 특성을 지닌 분자를 설계할 수 있다.

  • Large experimental database of various optical and electrochemical properties

기계 학습/심층 학습 모델을 학습시키기 위해서는 방대한 양의 분자 구조와 그 특성에 대한 데이터베이스가 필요하다. 분자 특성 예측과 분자 설계를 위해 약 8만개의 분자구조-용매-분자 특성 데이터베이스를 구축했다.

  • Predictive deep learning model

분자 특성 예측을 위해 분자 구조를 분자 내의 원자들이 서로 연결되어 있는 상태와 분자 내 원자들의 정보로 표현되는 그래프로 표현할 수 있다. 이런 그래프를 다루는 간단한 심층 학습 방법을 Graph convolutional network (GCN)이라고 한다. GCN에서는 인접한 원자들의 상태에 대한 정보를 주고받으며 자기 자신의 상태를 업데이트하고 이렇게 업데이트된 원자들의 정보로 부터 분자 구조-특성의 상관관계를 학습할 수 있다. GCN과 multilayer-perceptron (MLP) 를 활용해 분자 구조-용매를 입력으로 분자의 특성을 예측하는 심층 학습 모델을 구현했다.

학습된 심층 학습 모델은 DFT 계산 보다 빠르고 정확하게 분자의 특성을 예측할 수 있음을 볼 수 있다.

Reference:

  1. Sci. Data, 7, 295 (2020) (Link)

  2. JACS Au, 1, 427-438 (2021)​​ (Link)

  3. J. Chem. Inf. Model.62, 2933-2942 (2022) (Link)

  4. npj Comput. Mater., 8, 147 (2022) (Link)

  5. J. Chem. Inf. Model.65, 1115-1127 (2025) (Link)

  6. ACS Cent. Sci., 11, 219 (2025) (Link)

  7. J. Chem. Inf. Model., 65, 4889–4897 (2025) (Link)

  8. Chem. Eng. J., 521, 166829 (2025) (Link)

02841 서울특별시 성북구 안암로 145 고려대학교 아산이학관 220호 

Asan Science Building RM 220, 145 Anam-ro Seongbuk-gu Seoul, 02841, Republic of Korea

Copyright(c) 2017 Korea University, Department of Chemistry, UFSLab. All rights reserved.

bottom of page