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:

Sci. Data, 7, 295 (2020) (Link)
JACS Au, 1, 427-438 (2021) (Link)
npj Comput. Mater., 8, 147 (2022) (Link)