KR20170052344A

KR20170052344A - 신규 물질 탐색 방법 및 장치

Info

Publication number: KR20170052344A
Application number: KR1020150154676A
Authority: KR
Inventors: 유지호; 권영천; 김경덕; 신재광; 이효석; 최윤석
Original assignee: 삼성전자주식회사
Priority date: 2015-11-04
Filing date: 2015-11-04
Publication date: 2017-05-12
Also published as: JP2017091526A; KR102457974B1; US20170124482A1; EP3168765A1; CN107025318B; CN107025318A; JP6832678B2; US11017314B2; US20210241176A1

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.

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.

수학식 2에서, x와 h는 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.

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.

수학식 4에서 "softplus" 함수는 아래 수학식 5와 같다.

이후, 일 실시예에 따른 물질 탐색 장치는, 물질 모델의 확률 함수를 바탕으로 신규 물질의 샘플

및

를 생성한다(S302). 먼저 변수 x 및 변수 y에 대한 변수 h의 조건부 확률이 아래 수학식 6에 따라 계산될 수 있다.

수학식 6에서 "sigm" 함수는 sigmoid 함수를 의미하며, 아래 수학식 7과 같다.

일 실시예에 따른 물질 탐색 장치는, 수학식 6을 이용하여 변수 h를 결정하고, 변수 h에 대한 변수 x 및 변수 y의 조건부 확률을 바탕으로 샘플

및 를 도출한다. 수학식 8은 변수 h에 대한 변수 x의 조건부 확률이고, 수학식 9는 변수 h에 대한 변수 y의 조건부 확률이다.

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

및

를 생성할 수 있다. 이때, 생성된 샘플

및

가 다시 수학식 2의 에너지 함수로 입력되고, 샘플

및

를 입력으로 하였을 때의 또 다른 샘플

및

가 재생성 될 수 있다. 즉, 일 실시예에 따른 물질 탐색 장치의 설정에 따라서, 샘플

및

의 생성 및 입력이 미리 결정된 횟수만큼 반복될 수 있다.

그리고, 물질 탐색 장치는, x 및 y와, 샘플

및

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

및

를 대입하여 물질 모델의 자유 에너지 변화량을 계산한다.

수학식 10에는 일 실시예에 따른 물질 모델의 자유 에너지 변화량을 알아보기 위한 목적 함수가 나타나 있다.

수학식 10에서

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.

따라서, 물질 모델의 자유 에너지 함수 및 물질 모델의 확률 함수 간의 관계는 아래 수학식 12와 같이 표현될 수 있다.

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.

다른 실시예에서, 물질 모델의 조건부 확률 함수를 바탕으로 도출된 특이 목적 함수(discriminative objective function)는 아래 수학식 14와 같다.

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,

수학식 15에서

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.

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.

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

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.
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.
제2항에서,
상기 제1 구조 정보는, 상기 물질의 분자 구조에 포함된 부분 구조에 관한 정보를 포함하는, 물질 탐색 방법.
제2항에서,
상기 제1 구조 정보는, 상기 물질의 분자 구조에 포함된 원자에 관한 정보 및 상기 원자의 결합에 관한 정보를 포함하는, 물질 탐색 방법.
제2항에서,
상기 제1 구조 정보는, 상기 물질의 분자 구조에 관한 2차원 이미지 정보를 포함하는, 물질 탐색 방법.
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.
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.
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.
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.
제9항에서,
상기 목적 함수는, 상기 확률 함수의 미분 표현으로부터 도출된 함수인, 물질 탐색 방법.
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.
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.
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.
제13항에서,
상기 제1 구조 정보는, 상기 물질의 분자 구조에 포함된 부분 구조에 관한 정보를 포함하는, 물질 탐색 장치.
제13항에서,
상기 제1 구조 정보는, 상기 물질의 분자 구조에 포함된 원자에 관한 정보 및 상기 원자의 결합에 관한 정보를 포함하는, 물질 탐색 장치.
제13항에서,
상기 제1 구조 정보는, 상기 물질의 분자 구조에 관한 2차원 이미지 정보를 포함하는, 물질 탐색 장치.
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.
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.
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.
제19항에서,
상기 파라미터 업데이터는,
상기 학습 파라미터와, 상기 자유 에너지 함수로 표현된 목적 함수의 차이를 이용하여 상기 학습 파라미터를 업데이트 하는, 물질 탐색 장치.
제20항에서,
상기 목적 함수는, 상기 확률 함수의 미분 표현으로부터 도출된 함수인, 물질 탐색 장치.
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.