CN107025318A - 用于探索新材料的方法和装置 - Google Patents

用于探索新材料的方法和装置 Download PDF

Info

Publication number
CN107025318A
CN107025318A CN201610958896.3A CN201610958896A CN107025318A CN 107025318 A CN107025318 A CN 107025318A CN 201610958896 A CN201610958896 A CN 201610958896A CN 107025318 A CN107025318 A CN 107025318A
Authority
CN
China
Prior art keywords
information
physical property
parameter
learning parameter
function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610958896.3A
Other languages
English (en)
Other versions
CN107025318B (zh
Inventor
庾志镐
权宁千
金勍德
申在光
李孝锡
崔伦硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN107025318A publication Critical patent/CN107025318A/zh
Application granted granted Critical
Publication of CN107025318B publication Critical patent/CN107025318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)

Abstract

本发明涉及用于探索新材料的方法和装置。用于探索新材料的方法包括：对基于已知材料建模的材料模型执行学习；通过向所述学习的结果输入目标物理性质而确定候选材料；和从所述候选材料确定所述新材料。

Description

用于探索新材料的方法和装置
相关申请的交叉引用
本申请要求2015年11月4日提交的韩国专利申请No.10-2015-0154676的优先权以及由其产生的所有权益，其内容全部引入本文中作为参考。
技术领域
本发明的实施方式涉及用于开发具有改善的性质的材料的用于探索(寻找)新材料的装置和方法。
背景技术
材料模拟技术例如第一性原理模拟理论和用于改善计算性能的超级计算机已被应用于开发先进(新式)材料的过程，开发先进材料的过程过去惯常依赖于实验。这样的材料模拟技术可包括用于生成多种虚拟材料、和从通过计算机模拟生成的虚拟材料之中选择先进材料的候选材料的高通量筛选(“HTS”)。
虚拟材料通过HTS中的多个部分结构的组合生成，因此根据部分结构的数量或部分结构的组合方法生成的虚拟材料的数量按指数增加。常规地，一种虚拟材料的模拟可花费超过几小时，因此当待模拟的虚拟材料的数量增加时，可无法通过模拟有效地评估全部虚拟材料。
因此，已通过应用例如机械学习的方案研究了用于在模拟之前选择具有可能性的材料组的方法，而不用通过模拟筛选全部虚拟材料。机器学习意味着用于基于已知数据配置用于解决给定问题的模型的方法学，且当应用机器学习时，通过使用通常知晓的物理性质计算(或测量)数据经过机器学习模型可在没有任何模拟的情况下快速地预期模拟结果。因此，可评估更多数量的候选材料。
该背景部分中公开的以上信息仅用于增加本发明的背景的理解且因此它可包含不形成对于本领域普通技术人员而言在本国已经知晓的现有技术的信息。
发明内容
当使用通过应用例如机器学习的方案的用于在模拟之前选择具有可能性的材料组的方法时，可期望向高通量筛选(“HTS”)应用机器学习的方法生成许多虚拟材料以生成先进材料的候选材料，因此可大量地产生具有不期望的性质的材料，使得可无法有效地探索先进材料的候选材料。
本发明的示例性实施方式涉及用于基于具有作为变量的材料的结构信息和物理性质信息的概率函数探索新材料的装置和方法。
本发明的示例性实施方式涉及用于基于具有作为变量的材料的结构信息和物理性质信息的概率函数获取特定材料的物理性质的装置和方法。
根据本发明的一个示例性实施方式，用于探索新材料的方法包括：对基于已知材料建模的材料模型执行学习；通过向学习的结果输入目标物理性质而确定候选材料；和从候选材料确定新材料。
在一个示例性实施方式中，对材料模型执行学习可包括：基于作为关于已知材料的结构的信息的第一结构信息、作为关于已知材料的物理性质的信息的第一物理性质信息、关于潜在(可能的)事实的信息、和学习参数对材料模型进行建模；更新学习参数；和基于学习参数的更新结果确定是否完成学习。
在一个示例性实施方式中，第一结构信息可包括关于所述材料的分子结构中的部分结构的信息。
在一个示例性实施方式中，第一结构信息可包括关于所述材料的分子结构中的原子的信息和关于所述原子的组合的信息。
在一个示例性实施方式中，第一结构信息可包括关于所述材料的分子结构的二维图像信息。
在一个示例性实施方式中，学习参数可包括如下的至少一种：关于所述材料的结构的默认(缺省)值参数、关于所述材料的物理性质的默认值参数、潜在事实的默认值参数、所述材料的结构与潜在事实之间的关系参数、以及所述材料的物理性质与潜在事实之间的关系参数，且执行学习可进一步包括在建模之前以随机值重新设定学习参数(重新设定具有随机值的学习参数)。
在一个示例性实施方式中，对材料模型进行建模可包括：基于第一结构信息、第一物理性质信息、和学习参数对能量函数进行建模；和基于根据能量函数推导的材料模型的概率函数生成作为关于新材料的结构的信息的第二结构信息、和作为关于新材料的物理性质的信息的第二物理性质信息。
在一个示例性实施方式中，更新学习参数可包括基于根据概率函数和能量函数推导的材料模型的自由能函数更新学习参数。
在一个示例性实施方式中，基于概率函数和自由能函数更新学习参数可包括通过使用学习参数与作为自由能函数表示的目标函数之间的差异更新学习参数。
在一个示例性实施方式中，目标函数可代表由概率函数的微分式推导的函数。
在一个示例性实施方式中，从候选材料确定新材料可包括：验证(核实)如下的至少一种：候选材料的物理有效性、化学稳定性和合成容易性；和将来自候选材料的经验证的候选材料确定为新材料。
根据本发明的另一实施方式，用于探索新材料的装置包括：学习执行器，其对基于已知材料建模的材料模型执行学习；和新材料确定器，其通过向学习的结果输入目标物理性质而确定候选材料，和从候选材料确定新材料。
在一个示例性实施方式中，学习执行器可包括：材料建模器，其基于如下对材料模型进行建模：作为关于已知材料的结构的信息的第一结构信息、作为关于已知材料的物理性质的信息的第一物理性质信息、关于潜在事实的信息、和学习参数；参数更新器，其更新学习参数；和学习执行完成器，其基于学习参数的更新结果确定是否完成学习。
在一个示例性实施方式中，第一结构信息可包括关于所述材料的分子结构中的部分结构的信息。
在一个示例性实施方式中，第一结构信息可包括关于所述材料的分子结构中的原子的信息和关于所述原子的组合的信息。
在一个示例性实施方式中，第一结构信息可包括关于所述材料的分子结构的二维图像信息。
在一个示例性实施方式中，学习参数可包括如下的至少一种：关于所述材料的结构的默认值参数、关于所述材料的物理性质的默认值参数、潜在事实的默认值参数、所述材料的结构与潜在事实之间的关系参数、和所述材料的物理性质与潜在事实之间的关系参数，和所述材料建模器可在建模之前以随机值重新设定学习参数。
在一个示例性实施方式中，材料建模器可基于第一结构信息、第一物理性质信息、和学习参数对能量函数进行建模，并且可基于根据能量函数推导的材料模型的概率函数生成作为关于新材料的结构的信息的第二结构信息、和作为关于新材料的物理性质的信息的第二物理性质信息。
在一个示例性实施方式中，参数更新器可基于根据概率函数和能量函数推导的材料模型的自由能函数更新学习参数。
在一个示例性实施方式中，参数更新器可通过使用学习参数与作为自由能函数表示的目标函数之间的差异更新学习参数。
在一个示例性实施方式中，目标函数可代表由所述概率函数的微分式推导的函数。
在一个示例性实施方式中，新材料确定器可验证如下的至少一种：候选材料的物理有效性、化学稳定性、和合成容易性，并且可将来自候选材料的经验证的候选材料确定为新材料。
附图说明
由结合附图考虑的本发明的实施方式的下列详细描述，本发明的这些和/或其它特征将变得明晰和更容易理解，其中：
图1显示根据本发明的用于探索材料的装置的一个示例性实施方式的框图；
图2显示根据本发明的用于探索材料的方法的一个示例性实施方式的流程图；
图3显示根据本发明的已知有机材料的一个示例性实施方式的结构；
图4显示根据本发明的用于学习材料模型的方法的一个示例性实施方式的流程图；
图5显示根据一个示例性实施方式的材料探索结果的图；和
图6显示根据本发明的用于探索材料的装置的一个替代的示例性实施方式的框图。
具体实施方式
在下列详细描述中，仅简单地通过例证显示和描述本发明的一些示例性实施方式。如本领域技术人员将认识到的，所描述的实施方式可以多种不同的方式修改，全部不背离本发明的精神或范围。因此，附图和说明书将被认为在本质上是说明性的且不是限制性的，并且在说明书中相同的附图标记始终表示相同的要素。
本文中使用的术语仅为了描述具体实施方式的目的且不意图为限制性的。如本文中使用的，单数形式“一个(种)(a，an)”和“所述(该)”意图包括复数形式，包括“至少一个(种)”，除非内容清楚地另外指明。“或”意味着“和/或”。如本文中使用的，术语“和/或”包括相关列举项目的一个或多个的任何和全部组合。将进一步理解，术语“包括”或“包含”当用在本说明书中时，表明存在所陈述的特征、区域、整体、步骤、操作、元件和/或组分，但不排除存在或增加一个或多个另外的特征、区域、整体、步骤、操作、元件、组分和/或其集合。另外，除非相反地明确描述，否则措辞“包括(包含)”将被理解为意味着包括所陈述的要素，但是不排除任何其它要素。此外，在本说明书中，措辞“在……上”意味着位于对象部分上或下面，但是不本质上意味着位于对象部分的基于重力方向的上部侧上。
除非另外定义，在本文中所使用的所有术语(包括技术和科学术语)的含义与本公开内容所属领域的普通技术人员通常理解的相同。将进一步理解，术语，例如在常用字典中定义的那些，应被解释为其含义与它们在相关领域的背景和本公开内容中的含义一致，并且将不以理想化或过度形式的意义进行解释，除非在本文中清楚地如此定义。
在下文中，将参照附图详细地描述用于探索新材料的装置和方法的示例性实施方式。
图1显示根据本发明的用于探索材料的装置的一个示例性实施方式的框图。
参照图1，用于探索材料(例如，具有期望的性质的材料)的装置100的一个示例性实施方式包括：对材料模型执行机器学习的学习执行器110、和确定对应于目标性质(例如，目标物理性质)的新材料的新材料确定器120。学习执行器110包括：使用学习参数对材料模型进行建模的材料建模器111、更新用于对材料模型进行建模的学习参数的参数更新器112、和基于学习参数的更新结果确定是否完成学习执行器110的学习或运行的学习执行完成器113。
在一个示例性实施方式中，学习执行器110对材料模型执行学习，且材料模型可通过材料建模器111基于如下建模：作为关于已知材料的结构的信息的结构信息(x)、作为关于已知材料的物理性质的信息的物理性质信息(y)、用于指示潜在事实的潜在变量h、和学习参数。在一个示例性实施方式中，结构信息可包括关于材料的分子结构的二维图像信息。在一个示例性实施方式中，结构信息可包括关于材料的分子结构中的原子的信息、和关于所述原子的组合的信息。在这样的实施方式中，材料建模器111可对其中材料的结构信息、材料的物理性质信息和潜在事实通过学习参数关联的能量函数进行建模作为材料模型。已知材料的结构信息和物理性质信息可存储在数据库130中。
参数更新器112通过计算材料模型的自由能函数的变动(变分)而更新用于对材料模型进行建模的学习参数。
学习执行完成器113确定当已以某一措施或预定的次数执行对材料模型的学习时是否完成学习。
在一个示例性实施方式中，新材料确定器120对于经学习的材料模型输入或代入(替代)目标物理性质以确定待探索的新材料。在一个替代的示例性实施方式中，新材料确定器120可通过向经学习的材料模型代入特定材料的结构信息而获取特定材料的物理性质信息。
在一个示例性实施方式中，学习执行器110和新材料确定器120可通过处理器和存储器执行(实施)。
现在将参照图2到图4描述用于探索材料的装置探索新材料的方法的一个示例性实施方式。
图2显示根据本发明的用于探索材料的方法的一个示例性实施方式的流程图，图3显示根据本发明的已知有机材料的一个示例性实施方式的结构，且图4显示根据本发明的用于学习材料模型的方法的一个示例性实施方式的流程图。
参照图2，用于探索材料的方法的一个示例性实施方式包括对材料模型执行学习(S201)。在一个示例性实施方式中，用于探索材料的装置对材料模型执行学习。根据一个示例性实施方式，用于探索材料的装置可根据将在下面描述的方法对材料模型执行学习。现在将参照图4详细地描述用于学习材料模型的方法的一个示例性实施方式。
用于学习材料模型的方法的一个示例性实施方式包括使用能量函数生成材料模型(S401)。在一个示例性实施方式中，用于探索材料的装置可对材料模型进行建模。在这样的实施方式中，为了对材料模型进行建模，用于探索材料的装置从数据库读取关于已知材料的结构的结构信息(x)和关于所述材料的物理性质的物理性质信息(y)。
在一个示例性实施方式中，用于探索材料的装置可对大约50,000种有机材料的材料模型执行学习。用于探索材料的装置从数据库读取关于已知的50,000种有机材料的结构的结构信息(x)和关于各有机材料的物理性质的物理性质信息(y)。
在一个示例性实施方式中，结构信息(x)可以指示部分结构的存在和不存在的数字序列表示。部分结构是已知材料的结构的一部分。例如，部分结构组可包括单一六边形环、双重六边形环、三重六边形环等。部分结构的数字序列可为二进制序列。因此，图3中显示的已知有机材料可表示为[1,1,0]。例如，部分结构可通过执行圆形指纹方法(circularfingerprint method)的软件或硬件获得。
在一个示例性实施方式中，物理性质信息(y)可通过计算机模拟获得。例如，对应于50,000种有机材料的约50,000种光接收强度/发光强度可通过计算机模拟计算。通过将物理性质信息的量纲转换成对数标度，计算精度可增加，因为大部分有机材料的特定物理性质值可以大约零计算。
用于探索材料的装置基于结构信息(x)和物理性质信息(y)以随机值重新设定用于对材料模型进行建模的学习参数。学习参数包括：关于材料的结构的默认值参数(a)、关于材料的物理性质的默认值参数(b)、关于潜在事实的默认值参数(c)、材料的结构与潜在事实之间的关系参数(U)、和材料的物理性质与潜在事实之间的关系参数(v)。在这样的实施方式中，学习参数θ可以方程1表示。
(方程1)
θ＝{U，ｖ，ａ，ｂ，ｃ}
用于探索材料的装置基于用于指示材料的结构信息的变量x、用于指示材料的物理性质信息的变量y、用于代表潜在事实的潜在变量h、和学习参数模拟能量函数从而生成材料模型(S401)。根据一个示例性实施方式，具有变量x、y和h的能量函数可以方程2表示。
(方程2)
在方程2中，x和h为矢量，且y为实数。E(x，h)表示由变量x决定且基于关系参数U和潜在变量h限定的能量，且E(y，h)表示由变量y决定且基于关系参数v和潜在变量h限定的能量。λ表示指定的参数且涉及对材料模型的学习精度和学习速度。E(x)表示由变量x决定且基于参数a限定的能量，E(y)表示由变量y决定且基于参数b限定的能量，且E(c)表示由变量h决定且基于参数c限定的能量。
在一个示例性实施方式中，例如，当数据库存储作为材料的结构信息的材料的分子结构信息和作为材料的物理性质信息的材料的能带隙信息时，分子结构信息可用作变量x且能带隙信息可用作变量y。在这样的实施方式中，可使用其中材料的分子结构中的特定部分结构的位置表示为作为变量x的0或1的方法。
可由材料模型的能量函数推导材料模型的概率函数和材料模型的自由能函数。方程3表示根据一个示例性实施方式的材料模型的概率函数。
(方程3)
方程3的概率函数中关于潜在事实的变量h显示未观测的变量，因此当将变量h从方程3排斥(忽视)时，材料模型的关于已知的x和y的概率函数可以方程4表示。
(方程4)
这里，“softplus”函数以方程5表示。
(方程5)
softplus(x)≡log(1+exp(x))
用于探索材料的方法的一个示例性实施方式包括基于材料模型的概率函数生成新材料的样品和在一个示例性实施方式中，用于探索材料的装置可基于材料模型的概率函数生成新材料的样品和对于变量x和变量y的变量h的条件概率可根据方程6计算。
(方程6)
p(hj＝1|x，y)＝sigm(Uj.x+λvjy+cj)
这里，“sigm”函数表示S型函数且以方程7表示。
(方程7)
用于探索材料的装置使用方程6确定变量h并且基于对于变量h的变量x和变量y的条件概率推导样品和方程8表示对于变量h的变量x的条件概率，且方程9表示对于变量h的变量y的条件概率。
(方程8)
(方程9)
在方程9中，N(x|m，s)为变量x的正态分布，其中平均数为m且离中趋势(离差)为s。用于探索材料的装置可基于方程8和方程9的变量x和变量y的概率分布生成样品和在一个示例性实施方式中，可将生成的样品和输入到方程2的能量函数，并且当将样品和输入到方程2的能量函数时，可重新生成另外的样品和在这样的实施方式中，可根据用于探索材料的装置的设定将样品和的生成和输入重复预定的次数。
用于探索材料的装置基于x和y以及样品和更新学习参数θ。当更新学习参数θ时，可使用表示为材料模型的自由能函数的目标函数。首先，用于探索材料的装置向目标函数代入x和y以及样品和或向目标函数输入x和y以及样品和以计算材料模型的自由能变动。
方程10表示根据一个示例性实施方式的用于发现材料模型的自由能变动的目标函数。
(方程10)
这里，为材料模型的自由能函数，且α为与学习精度有关的指定的参数。在一个示例性实施方式中，方程10的目标函数可为材料模型的多个自由能函数的变动的组合。材料模型的自由能函数可由能量函数作为方程11表示。
(方程11)
因此，材料模型的自由能函数与材料模型的概率函数之间的关系可如以方程12所表示的。
(方程12)
在一个示例性实施方式中，可由材料模型的概率函数的微分式推导目标函数。可执行对材料模型的学习以使对于给定数据(x和y)的可能性最大化。在其中使用概率函数的负对数(-log)的这样的实施方式中，概率函数的负对数(-log)的最小值由关于概率函数的负对数的微分式确定，因此可更新学习参数以使可能性最大化。在这样的实施方式中，关于概率函数的负对数的学习参数的微分式可用作用于计算自由能的学习参数的变动的目标函数。
在一个示例性实施方式中，基于材料模型的概率函数推导的生成目标函数以方程13表示。
(方程13)
在一个替代的示例性实施方式中，基于材料模型的条件概率函数推导的判别(差别)目标函数以方程14表示。
(方程14)
方程10的目标函数可为生成目标函数和判别目标函数的线性组合的混合目标函数。在一个示例性实施方式中，方程13的生成目标函数通过指示权重值(weight value)的指定的参数α与方程14的判别目标函数线性组合，由此推导方程10的混合目标函数。
用于探索材料的方法的一个示例性实施方式包括基于样品和以及x和y更新学习参数(S403)。在一个示例性实施方式中，用于探索材料的装置可根据方程15更新学习参数。
(方程15)
在方程15中，ε为与材料模型的学习速度有关的指定的参数。
用于探索材料的方法的一个示例性实施方式包括基于学习参数的更新结果确定是否完成对材料模型的学习(S404)。在一个示例性实施方式中，用于探索材料的装置可基于学习参数的更新结果确定是否完成对材料模型的学习。根据一个示例性实施方式，当学习参数被更新预定的次数或者材料模型的自由能的变动未变得大于(或变得小于)预定值时，用于探索材料的装置可完成对材料模型的学习。
在一个示例性实施方式中，用于探索材料的方法包括当如上所述完成对材料模型的学习时，向经学习的材料模型输入或代入目标物理性质以确定至少一种候选材料(S202)。在一个示例性实施方式中，用于探索材料的装置可向经学习的材料模型代入目标物理性质以确定至少一种候选材料。
根据一个示例性实施方式，使用方程16计算关于目标物理性质y的条件概率。
(方程16)
通过方程16的条件概率函数随机生成潜在变量h。使用生成的潜在变量h如以方程17所表示地计算新材料的候选材料的结构的概率函数。
(方程17)
可基于以方程17表示的关于候选材料的结构的概率函数确定至少一种候选材料。在一个示例性实施方式中，用于探索材料的方法包括验证候选材料(S203)。在一个示例性实施方式中，用于探索材料的装置可验证至少一种候选材料的物理有效性、化学稳定性、和合成容易性。在一个示例性实施方式中，用于探索材料的方法包括将来自至少一种候选材料之中的经验证的候选材料确定为新材料(S204)。在一个示例性实施方式中，用于探索材料的装置可将来自至少一种候选材料之中的经验证的候选材料确定为新材料。
在一个替代的示例性实施方式中，当特定材料的结构信息是已知的时，用于探索材料的装置可通过向经学习的材料模型代入特定材料的结构信息或者通过向经学习的材料模型输入特定材料的结构信息而获取特定材料的物理性质。
图5显示根据一个示例性实施方式的材料探索结果的图。
关于图5的图，纵轴代表目标物理性质，且横轴表示根据一个示例性实施方式确定的新材料的物理性质。参照图4，发现，目标物理性质与根据一个示例性实施方式确定的新材料的物理性质之间的关系彼此紧密地对应。如图5中所示，通过用于探索材料的方法的一个示例性实施方式，可有效地探索具有与被输入到用于探索材料的装置以探索新材料的目标物理性质非常接近的物理性质的新材料。
图6显示根据本发明的用于探索材料的装置的一个替代的示例性实施方式的框图。
用于探索材料的装置600的一个示例性实施方式的包括处理器610和存储器620。用于探索材料的装置600可包括用于执行与另外的装置的有线和无线通信的通信单元630。存储器620可连接到处理器610以存储用于驱动处理器610的各种信息或通过处理器610执行的至少一种程序。通信单元530可连接到处理器610以传输和接收无线电信号。处理器610可执行本文中描述的根据本发明的一个示例性实施方式的功能、过程、或方法。根据一个示例性实施方式的用于探索材料的装置600的运行可通过处理器610实现。
在本发明的一个示例性实施方式中，存储器可提供在处理器内部或外部，并且存储器可通过使用本领域技术人员已知的各种手段连接到处理器。存储器为各种形式的易失性或非易失性存储介质，且例如，存储器可包括只读存储器(“ROM”)或随机存取存储器(“RAM”)。
尽管已经关于目前被认为是实践性的示例性实施方式的内容描述了本发明，但是将理解，本发明不限于所公开的实施方式，而是相反，意图覆盖包括在所附权利要求的精神和范围内的各种变型和等同布置。

Claims (22)

1.用于探索新材料的方法，所述方法包括：
对基于已知材料建模的材料模型执行学习；
通过向所述学习的结果输入目标物理性质而确定候选材料；和
从所述候选材料确定所述新材料。
2.如权利要求1所述的方法，其中
对材料模型执行学习包括：
基于如下对材料模型进行建模：作为关于所述已知材料的结构的信息的第一结构信息、作为关于所述已知材料的物理性质的信息的第一物理性质信息、关于潜在事实的信息、和学习参数；
更新所述学习参数；和
基于所述学习参数的更新结果确定是否完成所述学习。
3.如权利要求2所述的方法，其中
所述第一结构信息包括关于所述材料的分子结构中的部分结构的信息。
4.如权利要求2所述的方法，其中
所述第一结构信息包括：
关于所述材料的分子结构中的原子的信息；和
关于所述原子的组合的信息。
5.如权利要求2所述的方法，其中
所述第一结构信息包括关于所述材料的分子结构的二维图像信息。
6.如权利要求2所述的方法，其中
所述学习参数包括如下的至少一种：关于所述材料的结构的默认值参数、关于所述材料的物理性质的默认值参数、所述潜在事实的默认值参数、所述材料的结构与所述潜在事实之间的关系参数、和所述材料的物理性质与所述潜在事实之间的关系参数，和
对材料模型执行学习进一步包括
在所述建模之前以随机值重新设定学习参数。
7.如权利要求2所述的方法，其中
对材料模型进行建模包括：
基于所述第一结构信息、所述第一物理性质信息、和所述学习参数对能量函数进行建模；和
基于根据所述能量函数推导的所述材料模型的概率函数生成作为关于所述新材料的结构的信息的第二结构信息和作为关于所述新材料的物理性质的信息的第二物理性质信息。
8.如权利要求7所述的方法，其中
更新学习参数包括：
基于根据所述概率函数和所述能量函数推导的所述材料模型的自由能函数更新所述学习参数。
9.如权利要求8所述的方法，其中
基于所述概率函数和所述自由能函数更新所述学习参数包括：
通过使用所述学习参数与作为所述自由能函数表示的目标函数之间的差异更新所述学习参数。
10.如权利要求9所述的方法，其中
所述目标函数代表由所述概率函数的微分式推导的函数。
11.如权利要求1所述的方法，其中
从所述候选材料确定所述新材料包括：
验证如下的至少一种：所述候选材料的物理有效性、化学稳定性、和合成容易性；和
将来自所述候选材料的经验证的候选材料确定为所述新材料。
12.用于探索新材料的装置，所述装置包括：
学习执行器，其对基于已知材料建模的材料模型执行学习；和
新材料确定器，其通过向所述学习的结果输入目标物理性质而确定候选材料，并且从所述候选材料确定新材料。
13.如权利要求12所述的装置，其中
所述学习执行器包括：
材料建模器，其基于如下对所述材料模型进行建模：作为关于所述已知材料的结构的信息的第一结构信息、作为关于所述已知材料的物理性质的信息的第一物理性质信息、关于潜在事实的信息、和学习参数；
参数更新器，其更新所述学习参数；和
学习执行完成器，其基于所述学习参数的更新结果确定是否完成所述学习。
14.如权利要求13所述的装置，其中
所述第一结构信息包括关于所述材料的分子结构中包括的部分结构的信息。
15.如权利要求13所述的装置，其中
所述第一结构信息包括关于所述材料的分子结构中的原子的信息和关于所述原子的组合的信息。
16.如权利要求13所述的装置，其中
所述第一结构信息包括关于所述材料的分子结构的二维图像信息。
17.如权利要求13所述的装置，其中
所述学习参数包括如下的至少一种：关于所述材料的结构的默认值参数、关于所述材料的物理性质的默认值参数、所述潜在事实的默认值参数、所述材料的结构与所述潜在事实之间的关系参数、和所述材料的物理性质与所述潜在事实之间的关系参数，和
所述材料建模器在建模之前以随机值重新设定学习参数。
18.如权利要求13所述的装置，其中
所述材料建模器基于所述第一结构信息、所述第一物理性质信息、和所述学习参数对能量函数进行建模，并且基于根据所述能量函数推导的所述材料模型的概率函数生成作为关于所述新材料的结构的信息的第二结构信息和作为关于所述新材料的物理性质的信息的第二物理性质信息。
19.如权利要求18所述的装置，其中
所述参数更新器基于根据所述概率函数和所述能量函数推导的所述材料模型的自由能函数更新所述学习参数。
20.如权利要求19所述的装置，其中
所述参数更新器通过使用所述学习参数与作为所述自由能函数表示的目标函数之间的差异更新所述学习参数。
21.如权利要求20所述的装置，其中
所述目标函数代表由所述概率函数的微分式推导的函数。
22.如权利要求12所述的装置，其中
所述新材料确定器验证如下的至少一种：所述候选材料的物理有效性、化学稳定性、和合成容易性，并且将来自所述候选材料的经验证的候选材料确定为所述新材料。
CN201610958896.3A 2015-11-04 2016-11-03 用于探索新材料的方法和装置 Active CN107025318B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020150154676A KR102457974B1 (ko) 2015-11-04 2015-11-04 신규 물질 탐색 방법 및 장치
KR10-2015-0154676 2015-11-04

Publications (2)

Publication Number Publication Date
CN107025318A true CN107025318A (zh) 2017-08-08
CN107025318B CN107025318B (zh) 2021-09-14

Family

ID=57391748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610958896.3A Active CN107025318B (zh) 2015-11-04 2016-11-03 用于探索新材料的方法和装置

Country Status (5)

Country Link
US (2) US11017314B2 (zh)
EP (1) EP3168765A1 (zh)
JP (1) JP6832678B2 (zh)
KR (1) KR102457974B1 (zh)
CN (1) CN107025318B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111051876A (zh) * 2017-09-06 2020-04-21 株式会社半导体能源研究所 物性预测方法及物性预测系统
CN114175171A (zh) * 2019-09-03 2022-03-11 株式会社日立制作所 材料特性预测装置以及材料特性预测方法

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10776712B2 (en) 2015-12-02 2020-09-15 Preferred Networks, Inc. Generative machine learning systems for drug design
KR102523472B1 (ko) * 2016-08-01 2023-04-18 삼성전자주식회사 신규 물질의 구조 생성 방법 및 장치
KR101943518B1 (ko) * 2017-08-28 2019-01-30 한국과학기술연구원 소재의 전자 구조를 예측하는 방법 및 전자 장치
KR102587959B1 (ko) * 2018-01-17 2023-10-11 삼성전자주식회사 뉴럴 네트워크를 이용하여 화학 구조를 생성하는 장치 및 방법
JP6705570B2 (ja) 2018-03-27 2020-06-10 日本製鉄株式会社 解析システム、解析方法、およびプログラム
EP3852114A4 (en) * 2018-09-14 2021-11-10 FUJIFILM Corporation LINK SEARCH METHOD, LINK SEARCH PROGRAM, RECORDING MEDIUM AND LINK SEARCH DEVICE
EP3852113A4 (en) * 2018-09-14 2021-10-27 FUJIFILM Corporation METHOD FOR EVALUATING THE SYNTHESIS SUITABILITY OF A JOINT, PROGRAM FOR EVALUATING THE SYNTHESIS SUITABILITY OF A JOINT, AND DEVICE FOR EVALUATING THE SYNTHESIS SUITABILITY OF A JOINT
AU2019350649A1 (en) * 2018-09-28 2021-05-27 Dow Global Technologies Llc Hybrid machine learning model for code classification
JP7111354B2 (ja) * 2018-10-15 2022-08-02 国立研究開発法人物質・材料研究機構 探索システムおよび探索方法
WO2020090848A1 (ja) * 2018-10-30 2020-05-07 昭和電工株式会社 材料設計装置、材料設計方法、及び材料設計プログラム
US11901045B2 (en) * 2019-01-15 2024-02-13 International Business Machines Corporation Machine learning framework for finding materials with desired properties
JP7252449B2 (ja) 2019-05-16 2023-04-05 富士通株式会社 最適化装置、最適化システム、最適化方法および最適化プログラム
JP6950119B2 (ja) * 2019-07-23 2021-10-13 昭和電工株式会社 材料設計システム、材料設計方法、及び材料設計プログラム
CN114341861A (zh) 2019-08-29 2022-04-12 株式会社半导体能源研究所 特性预测系统
JP7304778B2 (ja) * 2019-09-05 2023-07-07 株式会社日立製作所 材料特性予測システムおよび情報処理方法
JP7267883B2 (ja) * 2019-09-18 2023-05-02 株式会社日立製作所 材料特性予測システムおよび材料特性予測方法
CN110838346B (zh) * 2019-10-10 2022-04-26 中国建筑材料科学研究总院有限公司 低辐射玻璃中衬底材料的筛选方法及装置
US11854672B2 (en) 2019-10-10 2023-12-26 Samsung Electronics Co., Ltd. Method and apparatus for generating chemical structure
CN111368041B (zh) * 2020-02-12 2023-12-26 北京科技大学 材料的确定方法及装置
JP7303765B2 (ja) * 2020-03-09 2023-07-05 株式会社豊田中央研究所 材料設計プログラム
US20210287137A1 (en) * 2020-03-13 2021-09-16 Korea University Research And Business Foundation System for predicting optical properties of molecules based on machine learning and method thereof
CN115516456A (zh) * 2020-04-30 2022-12-23 松下知识产权经营株式会社 特性显示装置、特性显示方法以及程序
KR102476300B1 (ko) * 2021-08-11 2022-12-13 기초과학연구원 기계 학습을 이용한 이상 탐지를 위한 장치 및 방법
JP7201763B1 (ja) 2021-09-17 2023-01-10 株式会社神戸製鋼所 試作支援システム、及び、量産支援システム
JP7088399B1 (ja) 2021-12-17 2022-06-21 Dic株式会社 ノボラック型フェノール樹脂の探索方法、情報処理装置、及びプログラム
JP7416131B2 (ja) * 2022-06-15 2024-01-17 Dic株式会社 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030059873A1 (en) * 2001-01-05 2003-03-27 Virginia Tech Intellectual Properties, Inc. Avian hepatitis E virus, vaccines and methods of protecting against avian hepatitis-splenomegaly syndrome and mammalian hepatitis E
JP2004158008A (ja) * 2002-10-28 2004-06-03 General Electric Co <Ge> 所望の特性セットに最も良くマッチする新材料を設計するシステム及び方法
CN102819647A (zh) * 2012-08-15 2012-12-12 西安交通大学 一种非均质材料随机微观结构有限元建模方法
CN104007243A (zh) * 2014-01-13 2014-08-27 上海市长宁区卫生局卫生监督所 应用反向传播神经网络模型评价游泳池水质的方法
EP2778990A2 (en) * 2013-02-18 2014-09-17 Rolls-Royce plc Method and system for designing a material
CN104603785A (zh) * 2012-08-31 2015-05-06 株式会社东芝 用于预测材料结构的方法和系统
CN104699743A (zh) * 2013-12-03 2015-06-10 三星电子株式会社 用于搜索新材料的系统和方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS639385A (ja) 1986-06-30 1988-01-16 Mitsubishi Electric Corp 磁気映像再生装置
JP3256307B2 (ja) * 1993-01-07 2002-02-12 昭子 板井 生理活性を有するリガンドの分子構造を構築する方法
WO1998006550A1 (fr) 1996-08-08 1998-02-19 Bridgestone Corporation Procede de conception de materiau multicomposant, analyseur d'optimisation et support d'information sur lequel le programme d'analyse d'optimisation de materiau multicomposant est enregistre
JPH1055348A (ja) 1996-08-08 1998-02-24 Bridgestone Corp 多成分系材料最適化解析装置および方法
US20050089923A9 (en) 2000-01-07 2005-04-28 Levinson Douglas A. Method and system for planning, performing, and assessing high-throughput screening of multicomponent chemical compositions and solid forms of compounds
US6647342B2 (en) 2000-08-07 2003-11-11 Novodynamics, Inc. Knowledge-based process for the development of materials
JP3525345B2 (ja) 2001-07-27 2004-05-10 和俊 西本 材料成分決定システム及び接合条件決定システム
JP2003058579A (ja) 2001-08-21 2003-02-28 Bridgestone Corp 設計・配合の最適化方法
US7292958B2 (en) 2004-09-22 2007-11-06 Massachusetts Institute Of Technology Systems and methods for predicting materials properties
JP2006323833A (ja) 2005-04-19 2006-11-30 Zoegene Corp 生理活性化合物の設計方法及び設計装置、並びに生理活性化合物の設計プログラム
JP2009007302A (ja) 2007-06-28 2009-01-15 Nec Corp 仮想スクリーニング方法及び装置
WO2009025045A1 (ja) 2007-08-22 2009-02-26 Fujitsu Limited 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム
US8244504B1 (en) * 2007-12-24 2012-08-14 The University Of North Carolina At Charlotte Computer implemented system for quantifying stability and flexibility relationships in macromolecules
JP2010198561A (ja) 2009-02-27 2010-09-09 Hitachi Chem Co Ltd 物質作用配合解析機構
JP5905781B2 (ja) 2012-06-13 2016-04-20 学校法人沖縄科学技術大学院大学学園 相互作用予測装置、相互作用予測方法、および、プログラム
JP6119411B2 (ja) 2013-05-10 2017-04-26 富士通株式会社 特定プログラム、特定装置、および特定方法
US9529006B1 (en) * 2015-10-13 2016-12-27 King Saud University Method for direct detection of lipid binding agents in membrane

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030059873A1 (en) * 2001-01-05 2003-03-27 Virginia Tech Intellectual Properties, Inc. Avian hepatitis E virus, vaccines and methods of protecting against avian hepatitis-splenomegaly syndrome and mammalian hepatitis E
JP2004158008A (ja) * 2002-10-28 2004-06-03 General Electric Co <Ge> 所望の特性セットに最も良くマッチする新材料を設計するシステム及び方法
CN102819647A (zh) * 2012-08-15 2012-12-12 西安交通大学 一种非均质材料随机微观结构有限元建模方法
CN104603785A (zh) * 2012-08-31 2015-05-06 株式会社东芝 用于预测材料结构的方法和系统
EP2778990A2 (en) * 2013-02-18 2014-09-17 Rolls-Royce plc Method and system for designing a material
CN104699743A (zh) * 2013-12-03 2015-06-10 三星电子株式会社 用于搜索新材料的系统和方法
CN104007243A (zh) * 2014-01-13 2014-08-27 上海市长宁区卫生局卫生监督所 应用反向传播神经网络模型评价游泳池水质的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MURRELL DANIEL S.ET AL: "Chemically Aware Model Builder ( camb ) : an R package for property and bioactivity modelling of smal molecules", 《JOURNAL OF CHEMINFORMATICS》 *
WICKER J.G.P.ET AL: "Will it crystallise? Predicting crystallinity of molecular materials", 《CRYSTENGCOMM》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111051876A (zh) * 2017-09-06 2020-04-21 株式会社半导体能源研究所 物性预测方法及物性预测系统
CN114175171A (zh) * 2019-09-03 2022-03-11 株式会社日立制作所 材料特性预测装置以及材料特性预测方法

Also Published As

Publication number Publication date
US20170124482A1 (en) 2017-05-04
JP6832678B2 (ja) 2021-02-24
JP2017091526A (ja) 2017-05-25
KR102457974B1 (ko) 2022-10-21
CN107025318B (zh) 2021-09-14
US11017314B2 (en) 2021-05-25
KR20170052344A (ko) 2017-05-12
US20210241176A1 (en) 2021-08-05
EP3168765A1 (en) 2017-05-17

Similar Documents

Publication Publication Date Title
CN107025318A (zh) 用于探索新材料的方法和装置
JP6708847B1 (ja) 機械学習装置及び方法
KR102523472B1 (ko) 신규 물질의 구조 생성 방법 및 장치
JP2020515922A5 (zh)
CN110399770A (zh) 基于利用物理特性增强对象生成针对对象的机器学习模型
US20040167721A1 (en) Optimal fitting parameter determining method and device, and optimal fitting parameter determining program
JP6791780B2 (ja) 文章作成装置
CN110046692A (zh) 产生化学结构的方法、神经网络设备和计算机可读记录介质
CN107644630A (zh) 基于神经网络的旋律生成方法及装置
CN110232445B (zh) 一种基于知识蒸馏的文物真伪鉴定方法
CN108701264A (zh) 能力赋予数据生成装置
CN113377964B (zh) 知识图谱链接预测方法、装置、设备及存储介质
CN110161968B (zh) 一种基于包裹式原理的数控机床热误差预测方法
CN109472346B (zh) 考虑部分数据模糊和缺失的应急物资需求预测的方法
Roewer-Despres et al. Towards finite element simulation using deep learning
CN104090932B (zh) 一种内容推荐方法及装置
JP6773412B2 (ja) コロプレスマップの設計
US20220351808A1 (en) Systems and methods for reinforcement learning molecular modeling
CN114997040A (zh) 一种基于改进支持向量回归的滑坡模拟参数反演方法
JP7339923B2 (ja) 材料の特性値を推定するシステム
Coll Application of probabilistic and deterministic methods for consistent reserves and resources estimation and reporting
Seabra et al. AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage
CN105468657B (zh) 一种获取领域重要知识点的方法和系统
CN107679366A (zh) 一种基因组变异数据的计算方法
Huang et al. Predicting brittle fracture surface shape from a versatile database

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant