KR20170052344A - 신규 물질 탐색 방법 및 장치 - Google Patents

신규 물질 탐색 방법 및 장치 Download PDF

Info

Publication number
KR20170052344A
KR20170052344A KR1020150154676A KR20150154676A KR20170052344A KR 20170052344 A KR20170052344 A KR 20170052344A KR 1020150154676 A KR1020150154676 A KR 1020150154676A KR 20150154676 A KR20150154676 A KR 20150154676A KR 20170052344 A KR20170052344 A KR 20170052344A
Authority
KR
South Korea
Prior art keywords
learning
substance
information
parameter
function
Prior art date
Application number
KR1020150154676A
Other languages
English (en)
Other versions
KR102457974B1 (ko
Inventor
유지호
권영천
김경덕
신재광
이효석
최윤석
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020150154676A priority Critical patent/KR102457974B1/ko
Priority to US15/189,373 priority patent/US11017314B2/en
Priority to EP16195276.7A priority patent/EP3168765A1/en
Priority to JP2016215596A priority patent/JP6832678B2/ja
Priority to CN201610958896.3A priority patent/CN107025318B/zh
Publication of KR20170052344A publication Critical patent/KR20170052344A/ko
Priority to US17/238,460 priority patent/US20210241176A1/en
Application granted granted Critical
Publication of KR102457974B1 publication Critical patent/KR102457974B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06F19/707
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F19/703
    • G06F19/704
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/01Probabilistic graphical models, e.g. probabilistic networks
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30Prediction of properties of chemical compounds, compositions or mixtures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/08Probabilistic or stochastic CAD
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70Machine 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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

알려진 물질을 바탕으로 모델링된 물질 모델에 대해서 학습을 수행하는 단계, 학습의 결과에 목표 물성을 입력하여 적어도 하나의 후보 물질을 결정하는 단계, 그리고 적어도 하나의 후보 물질 중에서 신규 물질을 결정하는 단계를 통해 신규 물질을 탐색 하는 방법 및 장치가 제공된다.

Description

신규 물질 탐색 방법 및 장치 {METHOD AND APPARATUS FOR SEARCHING NEW MATERIAL}
본 기재는 신소재 개발을 위한 신규 물질을 탐색하는 장치 및 방법에 관한 것이다.
제1 원리 시뮬레이션 이론 등의 소재 시뮬레이션 기술 및 계산 능력을 향상시킬 수 있는 슈퍼 컴퓨터가, 과거 실험에만 의존되던 신소재 개발 과정에 적용되고 있다. 다수의 가상 물질을 생성하고, 컴퓨터 시뮬레이션을 통해 생성된 가상 물질 중에서 신소재 후보 물질을 추려낼 수 있는 고속 대량 스크리닝(High Throughput Screening, HTS)이 대표적인 예이다.
HTS에서 다수의 부분 구조의 조합으로 가상 물질이 생성되므로, 부분 구조의 개수나 부분 구조의 조합 방법에 따라서 생성된 가상 물질의 개수가 지수적으로 증가하게 된다. 통상 한 개의 가상 물질에 대한 시뮬레이션에 길게는 수 시간 이상 소요될 수 있으므로, 시뮬레이션 될 가상 물질의 개수가 많아지게 되면 시뮬레이션만을 활용하여 모든 가상 물질에 대한 평가를 수행하는 것이 어려울 수 있다.
따라서, 시뮬레이션만으로 전체 가상 물질에 대한 스크리닝을 수행하지 않고, 기계 학습 등의 방법을 적용하여 시뮬레이션에 앞서 가능성 있는 물질군을 선별하는 방식이 연구되고 있다. 기계 학습은 주어진 문제를 풀기 위한 모델을, 알려진 데이터를 바탕으로 구성하는 방법론을 의미하고, 기계 학습이 적용되는 경우 기존에 알려진 물성 계산(또는 측정) 데이터를 이용하여 기계 학습 모델을 통해 시뮬레이션 없이 시뮬레이션 결과가 빠르게 예측될 수 있다. 따라서 보다 많은 수의 후보 물질에 대한 평가가 이루어질 수 있다.
하지만, 기계 학습을 HTS에 적용하는 방법 또한 신소재 후보 물질을 생성하기 위해서 많은 수의 가상 물질을 생성할 필요가 있으므로, 좋지 않은 특성을 갖는 물질까지 대량으로 생성될 수 있어 신소재 후보 물질 탐색에 있어서 비효율적이다.
일 실시예는, 물질의 구조 정보 및 물성 정보를 변수로 하는 확률 함수를 바탕으로 신규 물질을 탐색하는 장치 및 방법을 제공한다.
다른 실시예는, 물질의 구조 정보 및 물성 정보를 변수로 하는 확률 함수를 바탕으로 특정 물질의 물성을 알아내는 장치 및 방법을 제공한다.
일 실시예에 따르면, 신규 물질을 탐색 하는 방법이 제공된다. 상기 물질 탐색 방법은, 알려진 물질을 바탕으로 모델링된 물질 모델에 대해서 학습을 수행하는 단계, 학습의 결과에 목표 물성을 입력하여 적어도 하나의 후보 물질을 결정하는 단계, 그리고 적어도 하나의 후보 물질 중에서 신규 물질을 결정하는 단계를 포함한다.
상기 물질 탐색 방법에서 학습을 수행하는 단계는, 알려진 물질의 구조에 관한 제1 구조 정보, 알려진 물질의 물성에 관한 제1 물성 정보, 잠재 요인에 관한 정보와, 적어도 하나의 학습 파라미터를 바탕으로 물질 모델을 모델링 하는 단계, 적어도 하나의 학습 파라미터를 업데이트 하는 단계, 그리고 학습 파라미터의 업데이트 결과를 바탕으로 학습의 종료 여부를 결정하는 단계를 포함할 수 있다.
상기 물질 탐색 방법에서 제1 구조 정보는, 물질의 분자 구조에 포함된 부분 구조에 관한 정보를 포함할 수 있다.
상기 물질 탐색 방법에서 제1 구조 정보는, 물질의 분자 구조에 포함된 원자에 관한 정보 및 원자의 결합에 관한 정보를 포함할 수 있다.
상기 물질 탐색 방법에서 제1 구조 정보는, 물질의 분자 구조에 관한 2차원 이미지 정보를 포함할 수 있다.
상기 물질 탐색 방법에서 학습 파라미터는, 물질의 구조에 관한 기본값 파라미터, 물질의 물성에 관한 기본값 파라미터, 잠재 요인의 기본값 파라미터, 물질의 구조와 잠재 요인 간 관계 파라미터, 물질의 물성과 잠재 요이나 간 관계 파라미터 중 적어도 하나를 포함하고, 상기 학습을 수행하는 단계는, 상기 모델링하는 단계 이전에 상기 학습 파라미터를 랜덤한 값으로 초기화하는 단계를 더 포함할 수 있다.
상기 물질 탐색 방법에서 모델링 하는 단계는, 제1 구조 정보, 제1 물성 정보 및 학습 파라미터를 바탕으로 에너지 함수를 모델링 하는 단계, 그리고 에너지 함수를 바탕으로 도출된 물질 모델의 확률 함수를 바탕으로 신규 물질의 구조에 관한 제2 구조 정보 및 신규 물질의 물성에 관한 제2 물성 정보를 생성하는 단계를 포함할 수 있다.
상기 물질 탐색 방법에서 업데이트 하는 단계는, 확률 함수 및 에너지 함수를 바탕으로 도출된 물질 모델의 자유 에너지 함수를 바탕으로 학습 파라미터를 업데이트 하는 단계를 포함할 수 있다.
상기 물질 탐색 방법에서 확률 함수 및 자유 에너지 함수를 바탕으로 학습 파라미터를 업데이트 하는 단계는, 학습 파라미터와, 자유 에너지 함수로 표현된 목적 함수의 차이를 이용하여 학습 파라미터를 업데이트 하는 단계를 포함할 수 있다.
상기 물질 탐색 방법에서 목적 함수는, 확률 함수의 미분 표현으로부터 도출된 함수일 수 있다.
상기 물질 탐색 방법에서 적어도 하나의 후보 물질 중에서 신규 물질을 결정하는 단계는, 적어도 하나의 후보 물질의 물리적 타당성, 화학적 안정성 또는 합성 용이성 중 적어도 하나를 검증하는 단계, 그리고 적어도 하나의 후보 물질 중에서 검증이 완료된 후보 물질을 신규 물질로 결정하는 단계를 포함할 수 있다.
다른 실시예에 따르면, 신규 물질을 탐색 하는 물질 탐색 장치가 제공된다. 상기 물질 탐색 장치는, 알려진 물질을 바탕으로 모델링된 물질 모델에 대해서 학습을 수행하는 학습 수행부, 학습의 결과에 목표 물성을 입력하여 적어도 하나의 후보 물질을 결정하고, 적어도 하나의 후보 물질 중에서 신규 물질을 결정하는 신규 물질 결정부를 포함한다.
상기 물질 탐색 장치에서 학습 수행부는, 알려진 물질의 구조에 관한 제1 구조 정보, 알려진 물질의 물성에 관한 제1 물성 정보, 잠재 요인에 관한 정보와, 적어도 하나의 학습 파라미터를 바탕으로 물질 모델을 모델링하는 물질 모델링부, 적어도 하나의 학습 파라미터를 업데이트 하는 파라미터 업데이터, 그리고 학습 파라미터의 업데이트 결과를 바탕으로 학습의 종료 여부를 결정하는 학습 수행 종료부를 포함할 수 있다.
상기 물질 탐색 장치에서 제1 구조 정보는, 물질의 분자 구조에 포함된 부분 구조에 관한 정보를 포함할 수 있다.
상기 물질 탐색 장치에서 제1 구조 정보는, 물질의 분자 구조에 포함된 원자에 관한 정보 및 원자의 결합에 관한 정보를 포함할 수 있다.
상기 물질 탐색 장치에서 제1 구조 정보는, 물질의 분자 구조에 관한 2차원 이미지 정보를 포함할 수 있다.
상기 물질 탐색 장치에서 학습 파라미터는, 물질의 구조에 관한 기본값 파라미터, 물질의 물성에 관한 기본값 파라미터, 잠재 요인의 기본값 파라미터, 물질의 구조와 잠재 요인 간 관계 파라미터, 물질의 물성과 잠재 요이나 간 관계 파라미터 중 적어도 하나를 포함하고, 상기 물질 모델링부는 상기 모델링 이전에 상기 학습 파라미터를 랜덤한 값으로 초기화할 수 있다.
상기 물질 탐색 장치에서 물질 모델링부는, 제1 구조 정보, 제1 물성 정보 및 학습 파라미터를 바탕으로 에너지 함수를 모델링 하고, 에너지 함수를 바탕으로 도출된 물질 모델의 확률 함수를 바탕으로 신규 물질의 구조에 관한 제2 구조 정보 및 신규 물질의 물성에 관한 제2 물성 정보를 생성할 수 있다.
상기 물질 탐색 장치에서 파라미터 업데이터는, 확률 함수 및 에너지 함수를 바탕으로 도출된 물질 모델의 자유 에너지 함수를 바탕으로 학습 파라미터를 업데이트 할 수 있다.
상기 물질 탐색 장치에서 파라미터 업데이터는, 학습 파라미터와, 자유 에너지 함수로 표현된 목적 함수의 차이를 이용하여 학습 파라미터를 업데이트할 수 있다.
상기 물질 탐색 장치에서 목적 함수는, 확률 함수의 미분 표현으로부터 도출된 함수일 수 있다.
상기 물질 탐색 장치에서 신규 물질 결정부는, 적어도 하나의 후보 물질의 물리적 타당성, 화학적 안정성 또는 합성 용이성 중 적어도 하나를 검증하고, 적어도 하나의 후보 물질 중에서 검증이 완료된 후보 물질을 신규 물질로 결정할 수 있다.
물질의 구조 정보 및 물성 정보를 연관지을 수 있는 물질 모델을 모델링하고 물질 모델을 기계 학습을 통해 학습한 후, 학습된 물질 모델을 이용하여 목표 물성 정보로부터 신규 물질의 구조를 탐색하거나, 또는 특정 물질의 구조 정보로부터 특정 물질의 물성 정보를 알아낼 수 있다.
도 1은 일 실시예에 따른 물질 탐색 장치를 나타낸 블록도이다.
도 2는 일 실시예에 따른 물질 탐색 방법을 나타낸 흐름도이다.
도 3은 일 실시예에 따른 물질 모델에 대한 학습 방법을 나타낸 흐름도이다.
도 4는 일 실시예에 따른 물질 탐색 결과를 나타낸 그래프이다.
도 5는 다른 실시예에 따른 물질 탐색 장치를 나타낸 블록도이다.
아래에서는 첨부한 도면을 참고로 하여 본 기재의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 기재는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 기재를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시예에 따른 물질 탐색 장치를 나타낸 블록도이다.
도 1을 참조하면, 일 실시예에 따른 물질 탐색 장치(100)는, 물질 모델에 대한 기계 학습을 수행하는 학습 수행부(110) 및 목표 물성에 대응되는 신규 물질을 결정하는 신규 물질 결정부(120)를 포함한다. 그리고, 학습 수행부(110)는, 물질 모델을 모델링하는 물질 모델링부(111), 물질 모델의 모델링에 사용되는 학습 파라미터를 업데이트하는 파라미터 업데이터(112), 그리고 학습 파라미터의 업데이트 결과를 바탕으로 학습의 종료 여부를 결정하는 학습 수행 종료부(113)를 포함한다.
학습 수행부(110)는 물질 모델에 대한 학습을 수행하며, 이때 물질 모델은, 알려진 물질의 구조에 관한 구조 정보(x), 알려진 각 물질의 물성에 관한 물성 정보(y) 및 잠재 요인을 나타내는 잠재 변수 h와, 학습 파라미터를 바탕으로 물질 모델링부(111)에 의해 모델링될 수 있다. 즉, 물질 모델링부(111)은, 물질의 구조 정보, 물질의 물성 정보 및 잠재 요인이 학습 파라미터를 통해 연관지어진 에너지 함수를, 물질 모델로서 모델링 할 수 있다. 이때, 알려진 물질의 구조 정보 및 물성 정보는 데이터베이스(130)에 저장되어 있을 수 있다.
파라미터 업데이터(112)는, 물질 모델의 자유 에너지 함수의 변화량을 계산함으로써, 물질 모델의 모델링에 사용된 학습 파라미터를 업데이트 한다.
학습 수행 종료부(113)는, 물질 모델에 대한 학습이 어느 정도 진행된 후 학습의 종료를 결정한다.
신규 물질 결정부(120)는, 학습된 물질 모델에 목표 물성을 대입하여 신규 물질을 결정한다. 또는 신규 물질 결정부는, 학습된 물질 모델에 특정 물질의 구조에 관한 구조 정보를 대입하여 특정 물질의 물성 정보를 알아낼 수 있다.
아래에서는, 도 2 및 도 3을 바탕으로 본 기재의 물질 탐색 장치가 신규 물질을 탐색하는 방법을 상세히 설명한다.
도 2는 일 실시예에 따른 물질 탐색 방법을 나타낸 흐름도이고, 도 3은 일 실시예에 따른 물질 모델에 대한 학습 방법을 나타낸 흐름도이다.
도 2를 참조하면, 먼저, 물질 탐색 장치는, 물질 모델에 대해서 학습을 수행한다(S201). 일 실시예에 따르면 물질 탐색 장치는, 아래에 기재된 방법을 통해 물질 모델에 대한 학습을 수행할 수 있다. 아래에서는 도 3을 참조하여 일 실시예에 따른 물질 모델에 대한 학습 방법을 상세히 설명한다.
먼저, 물질 탐색 장치는 물질 모델을 모델링한다. 일 실시예에 따른 물질 탐색 장치는, 물질 모델을 모델링 하기 위해서, 데이터베이스로부터 이미 알려진 물질의 구조에 관한 구조 정보(x) 및 각 물질의 물성에 관한 물성 정보(y)를 읽어 들인다. 그리고 물질 탐색 장치는, 구조 정보 및 물성 정보를 바탕으로 물질 모델을 모델링하는데 사용되는 학습 파라미터를 랜덤한 값으로 초기화한다. 이때 학습 파라미터는 물질의 구조에 관한 기본값 파라미터(a), 물질의 물성에 관한 기본값 파라미터(b), 잠재 요인의 기본값 파라미터(c), 구조-잠재 요인 간 관계 파라미터(U), 그리고 물성-잠재 요인 간 파라미터(v)를 포함한다. 즉, 학습 파라미터 θ는 아래 수학식 1과 같이 표현될 수 있다.
Figure pat00001
이후, 물질 탐색 장치는, 물질의 구조 정보를 나타내는 변수 x, 물질의 물성 정보를 나타내는 변수 y 및 잠재 요인을 나타내는 잠재 변수 h와, 학습 파라미터를 바탕으로 에너지 함수를 모사함으로써, 물질 모델을 생성한다(S301). 일 실시예에 따르면 x, y 및 h를 변수로 갖는 에너지 함수는 수학식 2와 같이 표현될 수 있다.
Figure pat00002
수학식 2에서, xh는 벡터이고, y는 실수이다. 그리고, 수학식 2에서, E(x, h)는 학습 파라미터 U에 의해 정의된 변수 x 및 잠재 변수 h에 따라 결정된 에너지를 나타내고, E(y, h)는 학습 파라미터 v에 의해 정의된 변수 y 및 잠재 변수 h에 따라 결정된 에너지를 나타낸다. 이때, λ는 지정 파라미터로서, 물질 모델에 대한 학습 정확도 및 학습 속도와 관련되어 있다. 그리고, E(x)는 파라미터 a에 의해 정의된 변수 x에 따라 결정된 에너지, E(y)는 파라미터 b에 의해 정의된 변수 y에 따라 결정된 에너지, E(c)는 파라미터 c에 의해 정의된 변수 h에 따라 결정된 에너지를 나타낸다.
예를 들어, 데이터베이스에 물질의 구조 정보로서 물질의 분자 구조 정보가 저장되어 있고, 물질의 물성 정보로서 물질의 에너지 밴드갭(energy band-gap)에 관한 정보가 저장되어 있다고 할 때, 분자 구조 정보가 변수 x로 활용되고 에너지 밴드갭 정보가 변수 y로 활용될 수 있다. 이때, 물질의 분자 구조에 포함된 특정 부분 구조의 위치가 변수 x 내에서 1로 표현되는 방식이 사용될 수 있다.
이때, 물질 모델의 에너지 함수로부터, 물질 모델의 확률 함수 및 물질 모델의 자유 에너지 함수가 도출될 수 있다. 아래 수학식 3은 일 실시예에 따른 물질 모델의 확률 함수이다.
Figure pat00003
그리고 수학식 3의 확률 함수에서 잠재 요인에 관한 변수 h는 관측되지 않은 변수를 나타내므로, 변수 h가 수학식 3에서 적절히 무시되면(marginalized out), 이미 알려진 x 및 y에 대한 물질 모델의 확률 h는 아래 수학식 4와 같이 표현될 수 있다.
Figure pat00004
수학식 4에서 "softplus" 함수는 아래 수학식 5와 같다.
Figure pat00005
이후, 일 실시예에 따른 물질 탐색 장치는, 물질 모델의 확률 함수를 바탕으로 신규 물질의 샘플
Figure pat00006
Figure pat00007
를 생성한다(S302). 먼저 변수 x 및 변수 y에 대한 변수 h의 조건부 확률이 아래 수학식 6에 따라 계산될 수 있다.
Figure pat00008
수학식 6에서 "sigm" 함수는 sigmoid 함수를 의미하며, 아래 수학식 7과 같다.
Figure pat00009
일 실시예에 따른 물질 탐색 장치는, 수학식 6을 이용하여 변수 h를 결정하고, 변수 h에 대한 변수 x 및 변수 y의 조건부 확률을 바탕으로 샘플
Figure pat00010
및 를 도출한다. 수학식 8은 변수 h에 대한 변수 x의 조건부 확률이고, 수학식 9는 변수 h에 대한 변수 y의 조건부 확률이다.
Figure pat00011
Figure pat00012
수학식 9에서, N(x|m, s)는 평균 m, 분산 s인 변수 x에 대한 정규분포이다. 이후, 물질 탐색 장치는, 수학식 8 및 수학식 9의 변수 x 및 변수 y에 대한 확률 분포를 바탕으로 샘플
Figure pat00013
Figure pat00014
를 생성할 수 있다. 이때, 생성된 샘플
Figure pat00015
Figure pat00016
가 다시 수학식 2의 에너지 함수로 입력되고, 샘플
Figure pat00017
Figure pat00018
를 입력으로 하였을 때의 또 다른 샘플
Figure pat00019
Figure pat00020
가 재생성 될 수 있다. 즉, 일 실시예에 따른 물질 탐색 장치의 설정에 따라서, 샘플
Figure pat00021
Figure pat00022
의 생성 및 입력이 미리 결정된 횟수만큼 반복될 수 있다.
그리고, 물질 탐색 장치는, x 및 y와, 샘플
Figure pat00023
Figure pat00024
를 바탕으로 학습 파라미터 θ를 업데이트한다. 학습 파라미터 θ의 업데이트에는 물질 모델의 자유 에너지 함수로 표현된 목적 함수가 사용될 수 있다. 먼저, 일 실시예에 따른 물질 탐색 장치는, 목적 함수에 x 및 y와, 샘플
Figure pat00025
Figure pat00026
를 대입하여 물질 모델의 자유 에너지 변화량을 계산한다.
수학식 10에는 일 실시예에 따른 물질 모델의 자유 에너지 변화량을 알아보기 위한 목적 함수가 나타나 있다.
Figure pat00027
수학식 10에서
Figure pat00028
는 물질 모델의 자유 에너지 함수이고, α는 학습 정확도에 관련된 지정 파라미터이다. 즉, 수학식 10의 목적 함수는 물질 모델에 관한 몇 가지 자유 에너지 함수의 변화량의 결합이 될 수 있다. 이때 물질 모델의 자유 에너지 함수는 에너지 함수로부터 아래 수학식 11과 같이 도출될 수 있다.
Figure pat00029
따라서, 물질 모델의 자유 에너지 함수 및 물질 모델의 확률 함수 간의 관계는 아래 수학식 12와 같이 표현될 수 있다.
Figure pat00030
그리고, 일 실시예에 따른 목적 함수는, 물질 모델의 확률 함수의 미분 표현으로부터 도출될 수 있다. 일 실시예에서 물질 모델에 대한 학습은, 주어진 데이터(x 및 y)에 대한 가능성(likelihood)을 최대화할 수 있도록 수행될 수 있다. 이때, 확률 함수에 네거티브 로그(-log)가 취해지고, 네거티브 로그가 취해진 함수의 미분 표현으로 네거티브 로그가 취해진 함수에 대한 최소값이 결정됨으로써, 가능성을 최대화 할 수 있도록 학습 파라미터가 업데이트 될 수 있다. 즉, 네거티브 로그가 취해진 확률 함수의 학습 파라미터에 대한 미분 표현이, 자유 에너지의 학습 파라미터에 대한 변화량을 계산하기 위한 목적 함수로서 사용될 수 있다.
일 실시예에서, 물질 모델의 확률 함수를 바탕으로 도출된 일반 목적 함수(generative objective function)는 아래 수학식 13과 같다.
Figure pat00031
다른 실시예에서, 물질 모델의 조건부 확률 함수를 바탕으로 도출된 특이 목적 함수(discriminative objective function)는 아래 수학식 14와 같다.
Figure pat00032
그리고, 수학식 10의 목적 함수는 일반 목적 함수 및 특이 목적 함수의 선형 결합인 하이브리드 목적 함수가 될 수 있다. 즉, 수학식 14의 특이 목적 함수에 수학식 13의 일반 목적 함수가 가중치를 나타내는 지정 파라미터 α를 통해 선형 결합됨으로써 수학식 10의 하이브리드 목적 함수가 도출될 수 있다.
이후, 물질 탐색 장치는, 수학식 15에 따라 학습 파라미터를 업데이트 한다(s303). 즉,
Figure pat00033
수학식 15에서
Figure pat00034
은 물질 모델에 대한 학습 속도에 관련된 지정 파라미터이다.
이후, 물질 탐색 장치는, 학습 파라미터에 대한 업데이트 결과를 바탕으로 물질 모델에 대한 학습의 종료 여부를 결정한다(s304). 일 실시예에 따르면, 미리 결정된 횟수만큼 학습 파라미터의 업데이트가 수행되거나, 물질 모델의 자유 에너지의 변화량이 미리 결정된 크기보다 크지 않게 되면(또는 작아지면), 물질 탐색 장치는 물질 모델에 대한 학습을 종료할 수 있다.
위에서 설명된 것과 같이 물질 모델에 대한 학습이 종료되면, 물질 탐색 장치는 학습된 물질 모델에 목표 물성을 대입함으로써, 적어도 하나의 후보 물질을 결정한다(S202).
일 실시예에 따르면, 목표 물성 y에 대한 아래 수학식 16에 따른 조건부 확률이 계산된다.
Figure pat00035
그리고, 수학식 16의 조건부 확률 함수를 통해 잠재 변수 h를 랜덤하게 생성한다. 이후, 생성된 잠재 변수 h를 이용하여 수학식 17과 같이 신규 물질의 후보 물질의 구조에 관한 확률 함수를 계산한다.
Figure pat00036
이후, 수학식 17과 같은 후보 물질의 구조에 관한 확률 함수를 바탕으로 적어도 하나의 후보 물질이 결정될 수 있다. 이때, 일 실시예에 따른 물질 탐색 장치는, 적어도 하나의 후보 물질의 물리적 타당성, 화학적 안정성 및 합성 용이성 등을 검증할 수 있다(S203). 마지막으로 일 실시예에 따른 물질 탐색 장치는, 적어도 하나의 후보 물질 중에서 검증이 완료된 후보 물질을 신규 물질로 결정한다(S204).
한편, 다른 실시예에서 물질 탐색 장치는, 특정 물질의 구조 정보를 알고 있는 경우, 특정 물질의 알려진 구조 정보를 학습된 물질 모델에 대입함으로써, 특정 물질의 물성을 알아낼 수 있다.
도 4는 일 실시예에 따른 물질 탐색 결과를 나타낸 그래프이다.
도 4의 그래프에서 세로축은 목표 물성을 나타내고, 가로축은 일 실시예에 따라 결정된 신규 물질의 물성을 나타낸다. 도 4를 참조하면, 목표 물성과 신규 물질의 물성 간의 관계가 서로 거의 일치하고 있음을 알 수 있다. 즉, 실시예에 따른 물질 탐색 방법을 통해, 신규 물질을 탐색하기 위해 물질 탐색 장치에 입력한 목표 물성과 거의 동일한 물성을 갖는 신규 물질이 탐색되었음을 알 수 있다.
도 5는 다른 실시예에 따른 물질 탐색 장치를 나타낸 블록도이다.
물질 탐색 장치(500)는, 프로세서(processor)(510) 및 메모리(memory)(520)를 포함한다. 물질 탐색 장치(500)는 다른 장치와 유무선 통신을 수행하기 위한 통신부(communication unit)(530)를 포함할 수 있다. 메모리(520)는 프로세서(510)와 연결되어 프로세서(510)를 구동하기 위한 다양한 정보 또는 프로세서(510)에 의해 실행되는 적어도 하나의 프로그램을 저장할 수 있다. 통신부(530)는 프로세서(510)와 연결되어 무선 신호를 송수신 할 수 있다. 프로세서(510)는 본 기재의 실시예에서 제안한 기능, 과정, 또는 방법을 구현할 수 있다. 일 실시예에 따른 물질 탐색 장치(500)의 동작은 프로세서(510)에 의해 구현될 수 있다.
본 기재의 실시예에서 메모리는 프로세서의 내부 또는 외부에 위치할 수 있고, 메모리는 이미 알려진 다양한 수단을 통해 프로세서와 연결될 수 있다. 메모리는 다양한 형태의 휘발성 또는 비휘발성 저장 매체이며, 예를 들어, 메모리는 읽기 전용 메모리(read-only memory, ROM) 또는 랜덤 액세스 메모리(random access memory, RAM)를 포함할 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (22)

  1. 신규 물질을 탐색 하는 방법으로서
    알려진 물질을 바탕으로 모델링된 물질 모델에 대해서 학습을 수행하는 단계,
    상기 학습의 결과에 목표 물성을 입력하여 적어도 하나의 후보 물질을 결정하는 단계, 그리고
    상기 적어도 하나의 후보 물질 중에서 신규 물질을 결정하는 단계
    를 포함하는 물질 탐색 방법.
  2. 제1항에서,
    상기 학습을 수행하는 단계는,
    상기 알려진 물질의 구조에 관한 제1 구조 정보, 상기 알려진 물질의 물성에 관한 제1 물성 정보, 잠재 요인에 관한 정보와, 적어도 하나의 학습 파라미터를 바탕으로 상기 물질 모델을 모델링 하는 단계,
    상기 적어도 하나의 학습 파라미터를 업데이트 하는 단계, 그리고
    상기 학습 파라미터의 업데이트 결과를 바탕으로 상기 학습의 종료 여부를 결정하는 단계
    를 포함하는, 물질 탐색 방법.
  3. 제2항에서,
    상기 제1 구조 정보는, 상기 물질의 분자 구조에 포함된 부분 구조에 관한 정보를 포함하는, 물질 탐색 방법.
  4. 제2항에서,
    상기 제1 구조 정보는, 상기 물질의 분자 구조에 포함된 원자에 관한 정보 및 상기 원자의 결합에 관한 정보를 포함하는, 물질 탐색 방법.
  5. 제2항에서,
    상기 제1 구조 정보는, 상기 물질의 분자 구조에 관한 2차원 이미지 정보를 포함하는, 물질 탐색 방법.
  6. 제2항에서,
    상기 학습 파라미터는, 상기 물질의 구조에 관한 기본값 파라미터, 상기 물질의 물성에 관한 기본값 파라미터, 상기 잠재 요인의 기본값 파라미터, 상기 물질의 구조와 상기 잠재 요인 간 관계 파라미터, 상기 물질의 물성과 상기 잠재 요이나 간 관계 파라미터 중 적어도 하나를 포함하고,
    상기 학습을 수행하는 단계는,
    상기 모델링하는 단계 이전에 상기 학습 파라미터를 랜덤한 값으로 초기화하는 단계
    를 더 포함하는, 물질 탐색 방법.
  7. 제2항에서,
    상기 모델링 하는 단계는,
    상기 제1 구조 정보, 상기 제1 물성 정보 및 상기 학습 파라미터를 바탕으로 에너지 함수를 모델링 하는 단계, 그리고
    상기 에너지 함수를 바탕으로 도출된 상기 물질 모델의 확률 함수를 바탕으로 상기 신규 물질의 구조에 관한 제2 구조 정보 및 상기 신규 물질의 물성에 관한 제2 물성 정보를 생성하는 단계
    를 포함하는, 물질 탐색 방법.
  8. 제7항에서,
    상기 업데이트 하는 단계는,
    상기 확률 함수 및 상기 에너지 함수를 바탕으로 도출된 상기 물질 모델의 자유 에너지 함수를 바탕으로 상기 학습 파라미터를 업데이트 하는 단계
    를 포함하는, 물질 탐색 방법.
  9. 제8항에서,
    상기 확률 함수 및 상기 자유 에너지 함수를 바탕으로 상기 학습 파라미터를 업데이트 하는 단계는,
    상기 학습 파라미터와, 상기 자유 에너지 함수로 표현된 목적 함수의 차이를 이용하여 상기 학습 파라미터를 업데이트 하는 단계
    를 포함하는, 물질 탐색 방법.
  10. 제9항에서,
    상기 목적 함수는, 상기 확률 함수의 미분 표현으로부터 도출된 함수인, 물질 탐색 방법.
  11. 제1항에서,
    상기 적어도 하나의 후보 물질 중에서 상기 신규 물질을 결정하는 단계는,
    상기 적어도 하나의 후보 물질의 물리적 타당성, 화학적 안정성 또는 합성 용이성 중 적어도 하나를 검증하는 단계, 그리고
    상기 적어도 하나의 후보 물질 중에서 상기 검증이 완료된 후보 물질을 상기 신규 물질로 결정하는 단계
    를 포함하는, 물질 탐색 방법.
  12. 신규 물질을 탐색 하는 물질 탐색 장치로서
    알려진 물질을 바탕으로 모델링된 물질 모델에 대해서 학습을 수행하는 학습 수행부,
    상기 학습의 결과에 목표 물성을 입력하여 적어도 하나의 후보 물질을 결정하고, 상기 적어도 하나의 후보 물질 중에서 신규 물질을 결정하는 신규 물질 결정부
    를 포함하는 물질 탐색 장치.
  13. 제12항에서,
    상기 학습 수행부는,
    상기 알려진 물질의 구조에 관한 제1 구조 정보, 상기 알려진 물질의 물성에 관한 제1 물성 정보, 잠재 요인에 관한 정보와, 적어도 하나의 학습 파라미터를 바탕으로 상기 물질 모델을 모델링하는 물질 모델링부,
    상기 적어도 하나의 학습 파라미터를 업데이트 하는 파라미터 업데이터, 그리고
    상기 학습 파라미터의 업데이트 결과를 바탕으로 상기 학습의 종료 여부를 결정하는 학습 수행 종료부
    를 포함하는, 물질 탐색 장치.
  14. 제13항에서,
    상기 제1 구조 정보는, 상기 물질의 분자 구조에 포함된 부분 구조에 관한 정보를 포함하는, 물질 탐색 장치.
  15. 제13항에서,
    상기 제1 구조 정보는, 상기 물질의 분자 구조에 포함된 원자에 관한 정보 및 상기 원자의 결합에 관한 정보를 포함하는, 물질 탐색 장치.
  16. 제13항에서,
    상기 제1 구조 정보는, 상기 물질의 분자 구조에 관한 2차원 이미지 정보를 포함하는, 물질 탐색 장치.
  17. 제13항에서,
    상기 학습 파라미터는, 상기 물질의 구조에 관한 기본값 파라미터, 상기 물질의 물성에 관한 기본값 파라미터, 상기 잠재 요인의 기본값 파라미터, 상기 물질의 구조와 상기 잠재 요인 간 관계 파라미터, 상기 물질의 물성과 상기 잠재 요이나 간 관계 파라미터 중 적어도 하나를 포함하고,
    상기 물질 모델링부는 상기 모델링 이전에 상기 학습 파라미터를 랜덤한 값으로 초기화하는, 물질 탐색 장치.
  18. 제13항에서,
    상기 물질 모델링부는,
    상기 제1 구조 정보, 상기 제1 물성 정보 및 상기 학습 파라미터를 바탕으로 에너지 함수를 모델링 하고, 상기 에너지 함수를 바탕으로 도출된 상기 물질 모델의 확률 함수를 바탕으로 상기 신규 물질의 구조에 관한 제2 구조 정보 및 상기 신규 물질의 물성에 관한 제2 물성 정보를 생성하는, 물질 탐색 장치.
  19. 제18항에서,
    상기 파라미터 업데이터는,
    상기 확률 함수 및 상기 에너지 함수를 바탕으로 도출된 상기 물질 모델의 자유 에너지 함수를 바탕으로 상기 학습 파라미터를 업데이트 하는, 물질 탐색 장치.
  20. 제19항에서,
    상기 파라미터 업데이터는,
    상기 학습 파라미터와, 상기 자유 에너지 함수로 표현된 목적 함수의 차이를 이용하여 상기 학습 파라미터를 업데이트 하는, 물질 탐색 장치.
  21. 제20항에서,
    상기 목적 함수는, 상기 확률 함수의 미분 표현으로부터 도출된 함수인, 물질 탐색 장치.
  22. 제12항에서,
    상기 신규 물질 결정부는,
    상기 적어도 하나의 후보 물질의 물리적 타당성, 화학적 안정성 또는 합성 용이성 중 적어도 하나를 검증하고, 상기 적어도 하나의 후보 물질 중에서 상기 검증이 완료된 후보 물질을 상기 신규 물질로 결정하는, 물질 탐색 장치.
KR1020150154676A 2015-11-04 2015-11-04 신규 물질 탐색 방법 및 장치 KR102457974B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020150154676A KR102457974B1 (ko) 2015-11-04 2015-11-04 신규 물질 탐색 방법 및 장치
US15/189,373 US11017314B2 (en) 2015-11-04 2016-06-22 Method and device for searching new material
EP16195276.7A EP3168765A1 (en) 2015-11-04 2016-10-24 Method and device for searching new material
JP2016215596A JP6832678B2 (ja) 2015-11-04 2016-11-02 新規物質探索方法および装置
CN201610958896.3A CN107025318B (zh) 2015-11-04 2016-11-03 用于探索新材料的方法和装置
US17/238,460 US20210241176A1 (en) 2015-11-04 2021-04-23 Method and device for searching new material

Applications Claiming Priority (1)

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

Publications (2)

Publication Number Publication Date
KR20170052344A true KR20170052344A (ko) 2017-05-12
KR102457974B1 KR102457974B1 (ko) 2022-10-21

Family

ID=57391748

Family Applications (1)

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

Country Status (5)

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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190087898A (ko) * 2018-01-17 2019-07-25 삼성전자주식회사 뉴럴 네트워크를 이용하여 화학 구조를 생성하는 장치 및 방법
CN110838346A (zh) * 2019-10-10 2020-02-25 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
KR102476300B1 (ko) * 2021-08-11 2022-12-13 기초과학연구원 기계 학습을 이용한 이상 탐지를 위한 장치 및 방법
US11854672B2 (en) 2019-10-10 2023-12-26 Samsung Electronics Co., Ltd. Method and apparatus for generating chemical structure

Families Citing this family (23)

* 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
KR20200051019A (ko) 2017-09-06 2020-05-12 가부시키가이샤 한도오따이 에네루기 켄큐쇼 물성 예측 방법 및 물성 예측 시스템
US11170146B2 (en) 2018-03-27 2021-11-09 Nippon Steel Corporation Analysis system, analysis method, and program
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
EP3852114A4 (en) * 2018-09-14 2021-11-10 FUJIFILM Corporation LINK SEARCH METHOD, LINK SEARCH PROGRAM, RECORDING MEDIUM AND LINK SEARCH DEVICE
KR20210064344A (ko) * 2018-09-28 2021-06-02 다우 글로벌 테크놀로지스 엘엘씨 코드 분류를 위한 하이브리드 머신러닝 모델
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
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
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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150064602A (ko) * 2013-12-03 2015-06-11 삼성전자주식회사 신규 물질 탐색 시스템 및 그 탐색 방법

Family Cites Families (23)

* 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
US7005130B2 (en) 2001-01-05 2006-02-28 Virginia Tech Intellectual Properties, Inc. Avian hepatitis E virus, vaccines and methods of protecting against avian hepatitis-splenomegaly syndrome and mammalian hepatitis E
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
US20040083083A1 (en) * 2002-10-28 2004-04-29 Necip Doganaksoy Systems and methods for designing a new material that best matches an desired set of properties
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
CN102819647B (zh) 2012-08-15 2016-01-13 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
JP5749233B2 (ja) 2012-08-31 2015-07-15 株式会社東芝 材料組織の予測方法及び予測システム
GB201302743D0 (en) * 2013-02-18 2013-04-03 Rolls Royce Plc Method and system for designing a material
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
CN104007243B (zh) 2014-01-13 2016-01-06 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
US9529006B1 (en) * 2015-10-13 2016-12-27 King Saud University Method for direct detection of lipid binding agents in membrane

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150064602A (ko) * 2013-12-03 2015-06-11 삼성전자주식회사 신규 물질 탐색 시스템 및 그 탐색 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
D. S. Murrell et al., Chemically Aware Model Builder(camb): an R package for property and bioactivity modelling of small molecules, J. Cheminform. Vol.7, 45(2015.08.28.)* *
J. S. Yedidia et al., Constructing Free-Energy Approximations and Generalized Belief Propagation Algorithms, IEEE Trans. Inf. Theory Vol.51, pp2282-2312(2005)* *
R. Jalem et al., An efficient rule-based screening approach for discovering fast lithium ion conductors using density functional theory and artificial neural networks, J. Mater. Chem. A.(2014)* *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190087898A (ko) * 2018-01-17 2019-07-25 삼성전자주식회사 뉴럴 네트워크를 이용하여 화학 구조를 생성하는 장치 및 방법
US11581067B2 (en) 2018-01-17 2023-02-14 Samsung Electronics Co., Ltd. Method and apparatus for generating a chemical structure using a neural network
CN110838346A (zh) * 2019-10-10 2020-02-25 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
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
KR102476300B1 (ko) * 2021-08-11 2022-12-13 기초과학연구원 기계 학습을 이용한 이상 탐지를 위한 장치 및 방법

Also Published As

Publication number Publication date
JP6832678B2 (ja) 2021-02-24
US20210241176A1 (en) 2021-08-05
JP2017091526A (ja) 2017-05-25
CN107025318B (zh) 2021-09-14
US20170124482A1 (en) 2017-05-04
US11017314B2 (en) 2021-05-25
EP3168765A1 (en) 2017-05-17
CN107025318A (zh) 2017-08-08
KR102457974B1 (ko) 2022-10-21

Similar Documents

Publication Publication Date Title
KR20170052344A (ko) 신규 물질 탐색 방법 및 장치
JP7157154B2 (ja) 性能予測ニューラルネットワークを使用したニューラルアーキテクチャ探索
US20230252327A1 (en) Neural architecture search for convolutional neural networks
US11907853B2 (en) Using hierarchical representations for neural network architecture searching
US7577935B2 (en) Generative programming system and method employing focused grammars
CN105701120A (zh) 确定语义匹配度的方法和装置
US10950225B2 (en) Acoustic model learning apparatus, method of the same and program
CN113377964B (zh) 知识图谱链接预测方法、装置、设备及存储介质
CN115335830A (zh) 利用权重共享的神经架构搜索
CN109977571B (zh) 基于数据与模型混合的仿真计算方法及装置
CN112001488A (zh) 训练生成型对抗性网络
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN111160459A (zh) 超参数的优化装置和方法
KR20180056013A (ko) 나노 물질의 독성을 예측하는 방법 및 장치
CN111611703B (zh) 基于数字孪生的沙盘推演方法、装置、设备和存储介质
Chao et al. Dictionary-based fidelity measure for virtual traffic
US20220351808A1 (en) Systems and methods for reinforcement learning molecular modeling
EP4278301A1 (en) An apparatus and method for training a parametric policy
CN113254435B (zh) 一种数据增强方法及系统
Sadr et al. Improving the neural network method for finite element model updating using homogenous distribution of design points
JP7405148B2 (ja) 情報処理装置、学習方法、及び、プログラム
Singh Hybrid Machine Learning Approach for Predictive Modeling of Complex Systems
CN114792162A (zh) 解决图组合优化问题的方法、装置、电子设备及存储介质
CN117952180A (zh) 多任务模型的训练方法、数据预测方法、装置及设备
CN113094969A (zh) 一种基于改进SeqGAN的数据生成方法及系统

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant