KR20200096452A - 딥러닝 기반의 촉매 설계 방법 및 그 시스템 - Google Patents

딥러닝 기반의 촉매 설계 방법 및 그 시스템 Download PDF

Info

Publication number
KR20200096452A
KR20200096452A KR1020200096177A KR20200096177A KR20200096452A KR 20200096452 A KR20200096452 A KR 20200096452A KR 1020200096177 A KR1020200096177 A KR 1020200096177A KR 20200096177 A KR20200096177 A KR 20200096177A KR 20200096452 A KR20200096452 A KR 20200096452A
Authority
KR
South Korea
Prior art keywords
catalyst
learning
information
output
adsorbate
Prior art date
Application number
KR1020200096177A
Other languages
English (en)
Other versions
KR102288002B1 (ko
Inventor
함형철
김승훈
조진원
최선희
박현서
윤창원
윤성필
정향수
한종희
유성종
김형준
장종현
Original Assignee
한국과학기술연구원
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
Priority claimed from KR1020180054300A external-priority patent/KR20190129522A/ko
Application filed by 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020200096177A priority Critical patent/KR102288002B1/ko
Publication of KR20200096452A publication Critical patent/KR20200096452A/ko
Application granted granted Critical
Publication of KR102288002B1 publication Critical patent/KR102288002B1/ko

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Catalysts (AREA)

Abstract

딥 러닝 기반의 촉매 설계 방법은, 인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계, 촉매 구조 및 흡착물의 정보를 상기 학습모델에 입력하는 단계, 및 상기 학습모델에 입력된 촉매 구조 및 흡착물의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 단계를 포함한다.

Description

딥러닝 기반의 촉매 설계 방법 및 그 시스템{Method for designing catalyst based on deep-learning and the system thereof}
본 발명은 딥러닝 기반의 촉매 설계 방법에 관한 것으로서, 구체적으로 인공 신경망(neural network)을 이용하여 산소 촉매의 활성을 예측하는 방법에 관한 것이다.
컴퓨팅 파워 및 용량의 발달로 예측의 정확도가 높은 양자역학 기반 계산, 예컨대 제일원리 기반의 밀도 함수 이론(density functional theory, DFT)을 활용하여 신물질을 탐색하여 왔다. 이러한 방법은 실험적인 접근 방법에 비해서 빠른 신물질 탐색이 가능한 반면, 구조와 조성과 관계된 방대한 후보 소재의 가능성을 고려하면 여전히 시간이 소요되는(time-consuming) 방법이다. 또한 이러한 접근 방법에서는 후보 소재 구조와 소재의 특성을 나타내는 디스크립터(descriptor) 간의 상관 관계가 단순한 선형식으로 표현되기 때문에, 소재의 섭동(perturbation)이 큰 경우에는 정확도가 크게 떨어져서 소재의 물성 예측의 정확도가 현저하게 저하되는 한계가 있다.
하지만, 딥러닝 모델 기반의 신물질 탐색 방법에서는 계산 또는 실험에 의해서 도출된 데이터 집합을 인공 신경망을 통해 컴퓨터에 자가 학습시킴으로써, 획기적인 성능을 보이는 신물질의 초고속 탐색이 가능하며, 소재의 섭동이 큰 경우에도 예측의 정확도가 매우 높은 장점이 있다. 이러한 장점에도 불구하고 딥러닝 모델은 패턴 인식, 음성 인식, 영상 인식, 자율 주행 등에 성공적으로 적용되고 있으나 소재 개발 분야에는 그 적용이 미미한 것이 실정이다.
본 발명의 일 구현예에 따른 촉매 설계 방법은 기존의 양자역학을 통하여 얻어진 디스크립터 기반 촉매 탐색 방법, 예컨대 DFT 계산이 갖는 탐색 속도가 느린 단점을 극복하기 위한 방법을 제공하고자 한다.
본 발명의 일 구현예에 따른 촉매 설계 방법은 기존의 양자역학을 통하여 얻어진 디스크립터 기반 촉매 탐색 방법, 예컨대 DFT 계산이 갖는 예측의 정확도가 낮은 단점을 극복하기 위한 방법을 제공하고자 한다.
상기 목적을 달성하기 위하여, 본 발명의 일 측면에 따른 딥 러닝 기반의 촉매 활성 예측 방법으로서, 인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계, 촉매 구조 및 흡착물의 정보를 상기 학습모델에 입력하는 단계, 및 상기 학습모델에 입력된 촉매 구조 및 흡착물의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 단계를 포함하는, 촉매 활성 예측 방법이 제공된다.
일 구현예에서, 상기 학습모델을 결정하는 단계는 피드 포워드 신경망(FNN, Feedforward Neural Network)을 이용한 학습을 통한 것일 수 있다.
일 구현예에서, 상기 인공 신경망은 순차적으로 연결된 입력층, 복수의 은닉층, 출력층을 포함하며, 상기 입력층 및 복수의 은닉층은 각각 하나 이상의 노드(node)를 포함하고, 상기 출력층은 하나의 노드를 포함하고, 상기 입력층에 입력된 촉매 구조 및 흡착물의 정보값은 상기 입력층의 노드에서 활성화 함수에 의하여 입력층 출력값으로 계산되고, 상기 입력층 출력값은 상기 복수의 은닉층의 노드에서 활성화 함수에 의하여 은닉층 출력값으로 계산되고, 상기 은닉층 출력값은 상기 출력층의 노드에서 활성화 함수에 의하여 산소 환원 반응 촉매 활성으로 출력될 수 있다.
일 구현예에서, 촉매 구조 및 흡착물의 정보는 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기, 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 표면 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도, 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지, 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함할 수 있다.
일 구현예에서, 상기 활성화 함수는 sigmoid(y=1/(1+e-x)), tanh(y=tanh(x)), step(y=1(if X=0), y=-1(if x<0)), ReLu(y=0(if,x<0), y=x(if, X>=0)), 및 linear(y=x)으로 이루어진 군에서 선택될 수 있다.
일 구현예에서, 상기 학습모델을 결정하는 단계는 제일원리 기반의 밀도 함수 이론(density functional theory, DFT) 계산을 통하여 상기 모델의 학습을 위한 학습데이터 입력 정보 및 출력 정보의 종류를 결정하는 활성 디스크립터 해석 단계, 제일원리 기반의 밀도 함수 이론 계산을 통하여 입력된 학습 데이터 입력 정보 값 및 이에 대응되는 학습 데이터 출력 정보 값을 획득하는 단계, 및 상기 획득한 학습 데이터 입력 정보 값 및 출력 정보 값에 대하여 가중치 및 바이어스를 조절을 통하여 학습모델을 획득하는 단계를 포함할 수 있다.
일 구현예에서, 상기 학습데이터 입력 정보는 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기, 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 표면 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도, 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지, 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함할 수 있다.
일 구현예에서, 상기 학습 데이터 출력 정보는 산소 흡착 에너지일 수 있다.
일 구현예에서, 상기 학습모델을 결정하는 단계는 지도학습(supervised learning)을 더 포함하며, 상기 지도학습은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습모델을 재조절할 수 있다.
일 구현예에서, 상기 재조절은 가중치 또는 바이어스의 재조절을 포함할 수 있다.
상기 목적을 달성하기 위하여, 본 발명의 다른 측면에 따른 딥 러닝 기반의 촉매 설계 시스템으로서, 인공 신경망(neural network)을 포함하는 학습 모듈, 촉매 구조 및 흡착물의 정보를 상기 학습 모듈에 입력하는 입력 모듈, 및 상기 학습 모듈에 입력된 촉매 구조 및 흡착물의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 출력 모듈를 포함하는, 촉매 설계 시스템 이 제공된다.
일 구현예에서, 상기 인공 신경망은 피드 포워드 신경망(FNN, Feedforward Neural Network)을 포함할 수 있다.
일 구현예에서, 상기 인공 신경망은 순차적으로 연결된 입력층, 복수의 은닉층, 출력층을 포함하며, 상기 입력층 및 복수의 은닉층은 각각 하나 이상의 노드(node)를 포함하고, 상기 출력층은 하나의 노드를 포함하고, 상기 입력층에 입력된 촉매 구조 및 흡착물의 정보값은 상기 입력층의 노드에서 활성화 함수에 의하여 입력층 출력값으로 계산되고, 상기 입력층 출력값은 상기 복수의 은닉층의 노드에서 활성화 함수에 의하여 은닉층 출력값으로 계산되고, 상기 은닉층 출력값은 상기 출력층의 노드에서 활성화 함수에 의하여 산소 환원 반응 촉매 활성으로 출력될 수 있다.
일 구현예에서, 촉매 구조 및 흡착물의 정보는 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기, 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 표면 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도, 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지, 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함할 수 있다.
일 구현예에서, 상기 활성화 함수는 sigmoid(y=1/(1+e-x)), tanh(y=tanh(x)), step(y=1(if X=0), y=-1(if x<0)), ReLu(y=0(if,x<0), y=x(if, X>=0)), 및 linear(y=x)으로 이루어진 군에서 선택될 수 있다.
일 구현예에서, 상기 학습 모듈은 제일원리 기반의 밀도 함수 이론(density functional theory, DFT) 계산을 통하여 상기 모델의 학습을 위한 학습데이터 입력 정보 및 출력 정보의 종류를 결정하여 활성 디스크립터를 해석하고, 제일원리 기반의 밀도 함수 이론 계산을 통하여 입력된 학습 데이터 입력 정보 값 및 이에 대응되는 학습 데이터 출력 정보 값을 획득하고, 및 상기 획득한 학습 데이터 입력 정보 값 및 출력 정보 값에 대하여 가중치 및 바이어스를 조절을 통하여 학습모델을 획득하는 것을 포함할 수 있다.
일 구현예에서, 상기 학습데이터 입력 정보는 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기, 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 subsurface 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도, 흡착물 coverage, 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-band 에너지, 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함할 수 있다.
일 구현예에서, 상기 학습 데이터 출력 정보는 산소 흡착 에너지일 수 있다.
일 구현예에서, 상기 학습 모듈은 지도학습(supervised learning) 모듈을 더 포함하며, 상기 지도학습 모듈은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습모델을 재조절할 수 있다.
일 구현예에서, 상기 재조절은 가중치 또는 바이어스의 재조절을 포함할 수 있다.
상기 목적을 달성하기 위하여, 본 발명의 또 다른 측면에 따른 명령들을 저장하고 있는 저장 매체로서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 단계를 수행하도록 설정된 것으로서, 상기 적어도 하나의 단계는, 인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계, 촉매 구조 및 흡착물의 정보를 상기 학습모델에 입력하는 단계, 및 상기 학습모델에 입력된 촉매 구조 및 흡착물의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 단계를 포함하는 동작을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 저장 매체가 제공된다.
본 발명의 다양한 실시예들에 따른 촉매 설계 방법 및 시스템은, 촉매 활성[예, 흡착물(O, OH, OOH 등)의 흡착에너지 등)]을 많은 시간이 소요되는 기존 DFT 계산 없이 빠르고 정확하게 예측할 수 있어 신규한 촉매의 초고속 탐색을 가능하게 한다.
본 발명의 다양한 실시예들에 따른 촉매 설계 방법 및 시스템은, 기존 DFT 계산보다 모델의 정확도 및 탐색 시간에서 우월한 장점을 가지고 있어 창의성 및 차별성이 현저히 높다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 측면에 따른 인공 신경망을 도시한다.
도 2는 본 발명의 실시예 1에 따른 인공 신경망으로서, FNN 신경망을 나타내는 개요도를 도시한다.
도 3는 본 발명의 실시예 1에 따른 딥 러닝 기반의 촉매 활성 예측 방법을 나타내는 순서도를 도시한다.
도 4은 본 발명의 실시예 1에 따른 딥 러닝 기반의 촉매 활성 예측 방법 중 인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계를 구체적으로 나타내는 순서도를 도시한다.
도 5a은 물 환경을 고려하기 전의 순수 백금 촉매의 과전압 예측 그래프를 도시한다.
도 5b는 물 환경을 고려한 이후의 순수 백금 촉매의 과전압 예측 그래프를 도시한다.
도 6a는 본 발명의 실시예 1에 의한 촉매 활성 예측 방법에서 학습 데이터에 의한 딥 러닝 인공 신경망 훈련 결과를 나타내는 그래프를 도시한다.
도 6b는 본 발명의 실시예 1에 의한 촉매 활성 예측 방법에서 학습 데이터에 의하여 훈련된 딥러닝 모델을 사용하여 실제 촉매 활성을 예측한 결과를 나타내는 그래프를 도시한다.
도 7은 비교예 1의 기존 디스크립터 기반 촉매 탐색에 의하여 평균 d 오비탈 에너지와 산소 흡착에너지와의 상관 관계로 촉매 활성을 예측하는 그래프를 도시한다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.
이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 당업계에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.
도 1은 본 발명의 일 측면에 따른 인공 신경망을 도시한다.
일 구현예에서, 상기 인공 신경망은 순차적으로 연결된 입력층(200), 복수의 은닉층(300), 출력층(400)을 포함하며, 상기 입력층(200) 및 복수의 은닉층(300)은 각각 하나 이상의 노드(node)(210, 310)를 포함하고, 상기 출력층은 하나의 노드(410)를 포함할 수 있다.
예를 들어, 입력층(200), 은닉층, 출력층은 노드(혹은 뉴런)을 포함할 수 있다. 각 노드에서 정보의 입력은 가중치와 바이어스에 의해서 결정되고 출력은 활성화 함수에 의해서 결정될 수 있다.
먼저, 상기 입력층(200)에 입력된 촉매 구조 및 흡착물의 정보값이 상기 입력층의 노드(210)에서 활성화 함수에 의하여 입력층 출력값(220)으로 계산될 수 있다.
일 구현예에서, 상기 입력층의 노드(210)는 1 내지 50 개일 수 있으며, 10 내지 40 개일 수 있으나, 여기에 제한되는 것은 아니다. 예를 들어, 상기 입력층의 노드(210)는 30 개일 수 있다.
일 구현예에서, 상기 입력층의 각각의 노드(210)는 입력되는 촉매 구조 및 흡착물의 정보(100)에 대응될 수 있으며, 예를 들어 각각의 노드(210)는 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기, 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 표면 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도, 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지, 전극 포텐셜, 및 전해액 pH 중 하나에 대응되는 값이 입력될 수 있다.
일 구현예에서, 상기 입력층의 노드(210)에서의 활성화 함수는 sigmoid(y=1/(1+e-x)), tanh(y=tanh(x)), step(y=1(if X=0), y=-1(if x<0)), ReLu(y=0(if,x<0), y=x(if, X>=0)), 및 linear(y=x)으로 이루어진 군에서 선택될 수 있다. 여기서, x는 가중합(weighted sum)으로서, 상기 가중합은 가중치와 입력 신호의 곱에서 바이어스를 더하여 구할 수 있다.
다음으로, 상기 입력층 출력값(220)은 상기 복수의 은닉층의 노드(310)에서 활성화 함수에 의하여 은닉층 출력값(320)으로 계산될 수 있다.
일 구현예에서, 상기 복수의 은닉층의 노드(310)는 1 내지 200 개일 수 있으며, 1 내지 100 개일 수 있으나, 여기에 제한되는 것은 아니다. 예를 들어, 상기 은닉층의 노드(310)는 120 개 또는 50 개일 수 있다.
일 구현예에서, 상기 은닉층(300)은 복수개일 수 있다. 예를 들어, 상기 은닉층(300)은 2층 이상 존재할 수 있고, 3층 이상, 4층 이상, 또는 5층 이상 존재할 수 있으며, 여기에 제한되는 것은 아니다. 예를 들어, 상기 은닉층(300)은 2층일 수 있다.
일 구현예에서, 상기 은닉층의 노드(310)에서의 활성화 함수는 sigmoid(y=1/(1+e-x)), tanh(y=tanh(x)), step(y=1(if X=0), y=-1(if x<0)), ReLu(y=0(if,x<0), y=x(if, X>=0)), 및 linear(y=x)으로 이루어진 군에서 선택될 수 있다. 여기서, x는 가중합(weighted sum)으로서, 상기 가중합은 가중치와 입력 신호의 곱에서 바이어스를 더하여 구할 수 있다.
다음으로, 상기 은닉층 출력값(320)은 상기 출력층의 노드(410)에서 활성화 함수에 의하여 산소 환원 반응 촉매 활성(500)으로 출력될 수 있다.
일 구현예에서, 상기 출력층(400)은 촉매의 활성을 나타내는 흡착물(O, OH, OOH)의 흡착에너지를 포함할 수 있다.
일 구현예에서, 상기 출력층의 노드(410)는 하나일 수 있다.
일 구현예에서, 상기 출력층의 각각의 노드(410)는 출력되는 촉매 활성 정보에 대응될 수 있으며, 예를 들어 산소 흡착 에너지일 수 있다.
도 2는 본 발명의 실시예 1에 따른 인공 신경망으로서, FNN 신경망을 나타내는 개요도를 도시한다. 구체적으로 도 2는 실시예 1에 따라서 구축한 산소 흡착에너지를 예측하는 인공 신경망 구조를 나타낸다.
일 구현예에서, 촉매 구조와 흡착물의 정보들(100)이 30개의 노드(뉴런)를 포함하는 입력층(200)으로 입력되어 가중치와 결합하여 입력층 출력값으로 계산되고, 제1은닉층(300a) 및 제2은닉층(300b)에서 순차적으로 정보가 처리되어 은닉층 출력값으로 계산될 수 있다. 이후 출력층(400)으로 입력되어 산소 흡착 에너지를 예측할 수 있다.
일 구현예에서, 상기 제1은닉층(300a)의 노드수는 1 내지 200 개, 예컨대 120개일 수 있고, 상기 제2은닉층(300b)의 노드수는 1 내지 100 개, 예컨대 50개일 수 있다. 상기 노드에는 가중치가 존재할 수 있다.
도 3는 본 발명의 실시예 1에 따른 딥 러닝 기반의 촉매 활성 예측 방법을 나타내는 순서도를 도시한다.
먼저, 인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계(S100)를 거친다.
일 구현예에서, 상기 학습모델을 결정하는 단계(S100)는 피드 포워드 신경망(FNN, Feedforward Neural Network)을 이용한 학습을 통한 것일 수 있다.
다음으로, 촉매 구조 및 흡착물의 정보(100)를 학습데이터 입력 정보로서 상기 학습모델에 입력(S200)할 수 있다.
일 구현예에서, 상기 학습데이터 입력 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 또는 반응 환경 정보를 포함할 수 있다. 예를 들어, 촉매 고유 특성으로 예컨대, 전기 음성도, 이온화 에너지, 원자 크기 등을 포함할 수 있으며, 촉매 구조로서 예컨대, 표면 원자 배위수(coordination number), 표면 원자 조성, 차표면(subsurface) 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도 등을 포함할 수 있으며, 흡착문의 촉매 표면 흡착 배치로서 예컨대, 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지 등을 포함할 수 있으며, 반응 환경정보로서 예컨대, 전극 포텐셜, 및 전해액 pH와 같은 전해액 조건을 포함할 수 있다. 상기 학습 데이터 정보를 사용하여 인공 신경망을 훈련하게 되면 기존 time-consuming 양자역학 계산 없이 산소 촉매 활성, 즉 흡착물의 흡착에너지를 정확하게 예측할 수 있게 되어 촉매의 초고속 탐색을 가능하게 한다.
다음으로, 상기 학습모델에 입력된 촉매 구조 및 흡착물의 정보(100)로부터 예측되는 산소 환원 반응 촉매 활성을 출력(S300)할 수 있다.
여기서 입력 및 출력 정보는 인공신경망의 입력층(200) 및 출력층(400)과 관계가 있으며, 예를 들어 입력정보는 촉매 구조, 반응 환경 정보일 수 있고 출력정보는 촉매 활성을 대표하는 특성일 수 있다.
도 4은 실시예 1에 따른 딥 러닝 기반의 촉매 활성 예측 방법에서, 인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계(S100)를 더욱 구체적으로 설명한다.
먼저, 제일원리 기반의 밀도 함수 이론(density functional theory, DFT) 계산을 통하여 상기 모델의 학습을 위한 학습데이터 입력 정보(100) 및 출력 정보(500)의 종류를 결정하는 활성 디스크립터 해석(S110)할 수 있다.
일 구현예에서, 상기 활성 디스크립터 해석은 촉매구조-활성간의 관계로부터 고유인자를 확인하고 추출하는 과정일 수 있다. 학습 데이터는 개발하자고 하는 촉매 소재 시스템에 맞추어 입력 및 출력 값을 적절히 선정하는 것이 필요하다. 또한, 후술하는 바와 같이 상기 학습모델을 결정하는 단계는 지도학습(supervised learning)을 더 포함할 수 있으며(도시되지 않음), 상기 지도학습은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습모델을 재조절할 수 있다.
다음으로, 제일원리 기반의 밀도 함수 이론 계산을 통하여 입력된 학습 데이터 입력 정보 값 및 이에 대응되는 학습 데이터 출력 정보 값을 획득(S120)할 수 있다.
다음으로, 상기 획득한 학습 데이터 입력 정보 값 및 출력 정보 값에 대하여 가중치 및 바이어스를 조절을 통하여 학습모델을 획득(S130)할 수 있다. 구체적으로, 구축된 인공신경망을 촉매 탐색에 활용하기 위해서는 학습 데이터 입력 정보 및 이에 대응되는 학습 데이터 출력 정보를 사용하여 인공 신경망을 구성하고 있는 노드들의 가중치와 바이어스를 결정해야 한다.
또한 일 구현예에서, 상기 학습모델을 결정하는 단계는 지도학습(supervised learning)을 더 포함할 수 있으며(도시되지 않음), 상기 지도학습은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습모델을 재조절할 수 있다.
일 구현예에서, 상기 재조절은 가중치 또는 바이어스의 재조절을 포함할 수 있다.
본 발명의 다른 측면에 따른 딥 러닝 기반의 촉매 설계 시스템으로서, 인공 신경망(neural network)을 포함하는 학습 모듈, 촉매 구조 및 흡착물의 정보를 상기 학습 모듈에 입력하는 입력 모듈, 및 상기 학습 모듈에 입력된 촉매 구조 및 흡착물의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 출력 모듈를 포함하는, 촉매 설계 시스템 이 제공된다.
일 구현예에서, 인공 신경망은 피드 포워드 신경망(FNN, Feedforward Neural Network)을 포함할 수 있다.
일 구현예에서, 상기 인공 신경망은 순차적으로 연결된 입력층, 복수의 은닉층, 출력층을 포함하며, 상기 입력층 및 복수의 은닉층은 각각 하나 이상의 노드(node)를 포함하고, 상기 출력층은 하나의 노드를 포함하고, 상기 입력층에 입력된 촉매 구조 및 흡착물의 정보값은 상기 입력층의 노드에서 활성화 함수에 의하여 입력층 노드 가중합으로 계산되고, 상기 입력층 노드 가중합은 상기 복수의 은닉층의 노드에서 활성화 함수에 의하여 은닉층 노드 가중합으로 계산되고, 상기 은닉층 노드 가중합은 상기 출력층의 노드에서 활성화 함수에 의하여 산소 환원 반응 촉매 활성으로 출력할 수 있다.
일 구현예에서, 상기 학습 모듈은 지도학습(supervised learning) 모듈을 더 포함하며, 상기 지도학습 모듈은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습모델을 재조절할 수 있다.
일 구현예에서, 상기 재조절은 가중치 또는 바이어스의 재조절을 포함할 수 있다.
본 발명의 또 다른 측면에 따른 명령들을 저장하고 있는 저장 매체로서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 단계를 수행하도록 설정된 것으로서, 상기 적어도 하나의 단계는, 인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계, 촉매 구조 및 흡착물의 정보를 상기 학습모델에 입력하는 단계, 및 상기 학습모델에 입력된 촉매 구조 및 흡착물의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 단계를 포함하는 동작을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 저장 매체가 제공될 수 있다.
[실시예 1: 딥러닝을 통한 산소 환원용 촉매의 산소 흡착에너지 예측]
개발하고자 하는 산소 환원 촉매의 조건으로서 산성 환경에서 작동하고 작동 전압은 0.5~1.23V인 것으로 선정하였다. 일반적으로 이러한 전압 및 전해액 조건에서 산화물 기반 촉매는 쉽게 전해질에 용해되어 사용할 수 없다.
먼저 백금 촉매의 ORR 활성 디스크립터를 해석하여 딥러닝 모델 훈련용 학습데이터 입력 및 출력 정보를 결정하였다.
제일원리 기반의 밀도 함수 이론(density functional theory, DFT) 계산을 활용하여 백금(Pt) 촉매 표면에서 산성 전해액 환경(pH=1)에서 전극 전압의 함수로서 산소 환원 반응의 자유 에너지 그래프 및 onset 전압(혹은 과전압)을 예측하였으며, 그 결과 백금 촉매 표면에서 산소 환원 반응의 전압 결정 단계는 O + H+ + e- → OH 이고 이 단계의 반응 속도는 촉매 표면에서 산소 원자의 흡착에너지에 의해서 결정될 수 있음을 예측하였다.
도 5a 및 5b는 물 환경을 고려하기 전의 순수 백금 촉매 및 물 환경을 고려한 이후의 순수 백금 촉매의 과전압 예측 그래프를 각각 도시한다. 여기에서 과전압이 크면 촉매 활성이 낮고, 과전압이 O 흡착 에너지에 의하여 결정되는 것을 확인할 수 있다.
이러한 결과들을 바탕으로 금속 촉매 표면에서 산성/전압 환경에서 산소 환원 활성 디스크립터는 산소 흡착에너지인 것으로 도출하였다.
다음으로, 도출된 산소 환원 활성 디스크립터를 사용하여 훈련용 학습 데이터 입력 및 출력 정보를 표 1과 같이 선정하였다.
학습 데이터 입력 정보 학습 데이터 출력 정보
촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기, 촉매 표면 원자 배위수(coordination number)(원자 주위에 결합하고 있는 원자수), 촉매 표면 원자 조성, 촉매 subsurface 원자 조성, 촉매 내부[bulk(core)] 원자 조성,촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도, 흡착물 coverage, 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-band 에너지(d-band 에너지 레벨의 산술 평균값), 전극 포텐셜, 전해액 pH 산소 흡착 에너지
제일원리 기반의 밀도 함수 이론 계산을 활용하여 다양한 조성의 합금 촉매 표면에서 산소 흡착에너지를 계산하여 학습데이터 입력 및 이에 대응되는 학습데이터 출력값을 구축하였다. 구축된 학습 데이터 개수는 179개이며 이중 무작위로 152개의 훈련 데이터를 선택하였으며, 개발된 딥러닝의 성능을 평가하기 위해서 나머지 27개를 평가(test) 데이터로 사용하였다. 도 6a는 학습데이터 입력 및 출력값을 사용하여 인공신경망을 훈련시킨 결과를 나타낸다. 152개의 훈련 데이터를 사용하여 인공 신경망의 가중치를 최적화시켰으며, 그 결과 구축된 딥러닝 모델을 사용하여 예측한 산소 흡착에너지는 양자역학 계산값(훈련데이터 출력값)과 비교할 때 mean squared error(MSE)=0.0001으로 매우 잘 일치하는 것을 확인할 수 있다.
그림 6b에서 훈련된 딥러닝 모델을 사용하여 후보 합금 촉매(신경망 훈련에 사용하지 않은 촉매 조성)에 대한 산소 흡착에너지를 예측한 결과를 나타내었다. 얻어진 MSE가 0.026로 딥러닝 예측값과 양자역학 계산값이 근접함을 알 수 있어 높은 정확도를 갖으며 산소환원 촉매 설계에 적용 가능할 것으로 판단된다.
[ 비교예 1: 기존 디스크립터 기반 촉매 탐색법( DFT 계산)을 통한 산소 흡착에너지 예측]
소재의 특성과 활성을 나타내는 디스크립터를 사용하여 DFT 계산을 수행하였으며, 실시예 1과 마찬가지로 산소 환원 반응 활성은 산소 흡착에너지로 나타냈다.
산소 흡착에너지를 대표하는 디스크립터로 널리 알려진 금속 촉매의 평균 에너지인 평균 d 오비탈 에너지(d-band center)를 선정하여 평균 d 오비탈 에너지와 산소 흡착에너지 상관성을 분석하였다.
분석 결과는 도 7에서 도시하고 있는데, 이를 참조하면 평균 d 오비탈 에너지와 산소 흡착에너지는 상관성이 매우 낮은 것을 확인할 수 있다.
상술한 구체적인 실시예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시 예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나, 다양한 실시예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
100: 촉매 구조 및 흡착물의 정보
200: 입력층
210: 입력층의 노드
220: 입력층 출력값
300: 은닉층
310: 은닉층의 노드
320: 은닉층 출력값
400: 출력층
410: 출력층의 노드
500: 산소 환원 반응 촉매 활성

Claims (19)

  1. 컴퓨팅 시스템에 의해 각 단계가 수행되는 딥 러닝 기반의 촉매 활성 예측 방법으로서,
    인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계;
    촉매 구조, 흡착물, 및 반응 환경의 정보를 상기 학습모델에 입력하는 단계; 및
    상기 학습모델에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 단계;를 포함하며,
    상기 촉매 구조, 흡착물, 및 반응 환경의 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 및 반응 환경 정보를 포함하고,
    상기 반응 환경 정보는 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하고,
    상기 학습 데이터 출력 정보는 산소 흡착 에너지인, 촉매 활성 예측 방법.
  2. 제1항에 있어서,
    상기 학습모델을 결정하는 단계는 피드 포워드 신경망(FNN, Feedforward Neural Network)을 이용한 학습을 통한 것인, 촉매 활성 예측 방법.
  3. 제1항에 있어서,
    상기 인공 신경망은 순차적으로 연결된 입력층, 복수의 은닉층, 출력층을 포함하며,
    상기 입력층 및 복수의 은닉층은 각각 하나 이상의 노드(node)를 포함하고,
    상기 출력층은 하나의 노드를 포함하고,
    상기 입력층에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보값은 상기 입력층의 노드에서 활성화 함수에 의하여 입력층 출력값으로 계산되고, 상기 입력층 출력값은 상기 복수의 은닉층의 노드에서 활성화 함수에 의하여 은닉층 출력값으로 계산되고, 상기 은닉층 출력값은 상기 출력층의 노드에서 활성화 함수에 의하여 산소 환원 반응 촉매 활성으로 출력되는, 촉매 활성 예측 방법.
  4. 제1항에 있어서,
    상기 촉매 고유 특성은 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기 중 하나 이상을 포함하고, 상기 촉매 구조는 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 표면 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도 중 하나 이상을 포함하고, 상기 흡착물의 촉매 표면 흡착 배치는 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지 중 하나 이상을 포함하는, 촉매 활성 예측 방법.
  5. 제3항에 있어서,
    상기 활성화 함수는 sigmoid(y=1/(1+e-x)), tanh(y=tanh(x)), step(y=1(if X=0), y=-1(if x<0)), ReLu(y=0(if,x<0), y=x(if, X>=0)), 및 linear(y=x)으로 이루어진 군에서 선택되는, 촉매 활성 예측 방법.
  6. 제1항에 있어서,
    상기 학습모델을 결정하는 단계는
    제일원리 기반의 밀도 함수 이론(density functional theory, DFT) 계산을 통하여 상기 학습모델의 학습을 위한 학습데이터 입력 정보 및 출력 정보의 종류를 결정하는 활성 디스크립터 해석 단계;
    제일원리 기반의 밀도 함수 이론 계산을 통하여 입력된 학습 데이터 입력 정보 값 및 이에 대응되는 학습 데이터 출력 정보 값을 획득하는 단계; 및
    상기 획득한 학습 데이터 입력 정보 값 및 출력 정보 값에 대하여 가중치 및 바이어스를 조절을 통하여 학습모델을 획득하는 단계;를 포함하는, 촉매 활성 예측 방법.
  7. 제6항에 있어서,
    상기 학습데이터 입력 정보는 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기, 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 subsurface 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도, 흡착물 coverage, 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-band 에너지, 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하는, 촉매 활성 예측 방법.
  8. 제1항에 있어서,
    상기 학습모델을 결정하는 단계는 지도학습(supervised learning)을 더 포함하며,
    상기 지도학습은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습모델을 재조절하는, 촉매 활성 예측 방법.
  9. 제1항에 있어서,
    상기 재조절은 가중치 또는 바이어스의 재조절을 포함하는, 촉매 활성 예측 방법.
  10. 인공 신경망(neural network)을 포함하는 학습 모듈;
    촉매 구조, 흡착물, 및 반응 환경의 정보를 상기 학습 모듈에 입력하는 입력 모듈; 및
    상기 학습 모듈에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 출력 모듈;를 포함하며,
    상기 촉매 구조, 흡착물, 및 반응 환경의 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 및 반응 환경 정보를 포함하고,
    상기 반응 환경 정보는 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하고,
    상기 학습 데이터 출력 정보는 산소 흡착 에너지인, 딥 러닝 기반의 촉매 설계 시스템.
  11. 제10항에 있어서,
    상기 인공 신경망은 피드 포워드 신경망(FNN, Feedforward Neural Network)을 포함하는, 촉매 설계 시스템.
  12. 제10항에 있어서,
    상기 인공 신경망은 순차적으로 연결된 입력층, 복수의 은닉층, 출력층을 포함하며,
    상기 입력층 및 복수의 은닉층은 각각 하나 이상의 노드(node)를 포함하고,
    상기 출력층은 하나의 노드를 포함하고,
    상기 입력층에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보값은 상기 입력층의 노드에서 활성화 함수에 의하여 입력층 출력값으로 계산되고, 상기 입력층 출력값은 상기 복수의 은닉층의 노드에서 활성화 함수에 의하여 은닉층 출력값으로 계산되고, 상기 은닉층 출력값은 상기 출력층의 노드에서 활성화 함수에 의하여 산소 환원 반응 촉매 활성으로 출력되는, 촉매 설계 시스템.
  13. 제10항에 있어서,
    상기 촉매 고유 특성은 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기 중 하나 이상을 포함하고, 상기 촉매 구조는 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 표면 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도 중 하나 이상을 포함하고, 상기 흡착물의 촉매 표면 흡착 배치는 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지 중 하나 이상을 포함하는, 촉매 설계 시스템.
  14. 제12항에 있어서,
    상기 활성화 함수는 sigmoid(y=1/(1+e-x)), tanh(y=tanh(x)), step(y=1(if X=0), y=-1(if x<0)), ReLu(y=0(if,x<0), y=x(if, X>=0)), 및 linear(y=x)으로 이루어진 군에서 선택되는, 촉매 설계 시스템.
  15. 제10항에 있어서,
    상기 학습 모듈은
    제일원리 기반의 밀도 함수 이론(density functional theory, DFT) 계산을 통하여 상기 학습 모듈의 학습을 위한 학습데이터 입력 정보 및 출력 정보의 종류를 결정하여 활성 디스크립터를 해석하고,
    제일원리 기반의 밀도 함수 이론 계산을 통하여 입력된 학습 데이터 입력 정보 값 및 이에 대응되는 학습 데이터 출력 정보 값을 획득하고, 및
    상기 획득한 학습 데이터 입력 정보 값 및 출력 정보 값에 대하여 가중치 및 바이어스를 조절을 통하여 학습모델을 획득하는 것을 포함하는, 촉매 설계 시스템.
  16. 제15항에 있어서,
    상기 학습데이터 입력 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 및 반응 환경 정보를 포함하며,
    상기 촉매 고유 특성은 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기 중 하나 이상을 포함하고, 상기 촉매 구조는 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 subsurface 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도 중 하나 이상을 포함하고, 상기 흡착물의 촉매 표면 흡착 배치는 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-band 에너지 중 하나 이상을 포함하고, 상기 반응 환경 정보는 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하는, 촉매 설계 시스템.
  17. 제10항에 있어서,
    상기 학습 모듈은 지도학습(supervised learning) 모듈을 더 포함하며,
    상기 지도학습 모듈은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습 모듈을 재조절하는, 촉매 설계 시스템.
  18. 제17항에 있어서,
    상기 재조절은 가중치 또는 바이어스의 재조절을 포함하는, 촉매 설계 시스템.
  19. 명령들을 저장하고 있는 저장 매체로서,
    상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 단계를 수행하도록 설정된 것으로서, 상기 적어도 하나의 단계는,
    인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계;
    촉매 구조, 흡착물, 및 반응 환경의 정보를 상기 학습모델에 입력하는 단계; 및
    상기 학습모델에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 단계;를 포함하며,
    상기 촉매 구조, 흡착물, 및 반응 환경의 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 및 반응 환경 정보를 포함하고,
    상기 반응 환경 정보는 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하고,
    상기 학습 데이터 출력 정보는 산소 흡착 에너지인 동작을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 저장 매체.
KR1020200096177A 2018-05-11 2020-07-31 딥러닝 기반의 촉매 설계 방법 및 그 시스템 KR102288002B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200096177A KR102288002B1 (ko) 2018-05-11 2020-07-31 딥러닝 기반의 촉매 설계 방법 및 그 시스템

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180054300A KR20190129522A (ko) 2018-05-11 2018-05-11 딥러닝 기반의 촉매 설계 방법 및 그 시스템
KR1020200096177A KR102288002B1 (ko) 2018-05-11 2020-07-31 딥러닝 기반의 촉매 설계 방법 및 그 시스템

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020180054300A Division KR20190129522A (ko) 2018-05-11 2018-05-11 딥러닝 기반의 촉매 설계 방법 및 그 시스템

Publications (2)

Publication Number Publication Date
KR20200096452A true KR20200096452A (ko) 2020-08-12
KR102288002B1 KR102288002B1 (ko) 2021-08-11

Family

ID=72039165

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200096177A KR102288002B1 (ko) 2018-05-11 2020-07-31 딥러닝 기반의 촉매 설계 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR102288002B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022260172A1 (ja) * 2021-06-11 2022-12-15 Ｅｎｅｏｓ株式会社 探索装置、探索方法、プログラム及び非一時的コンピュータ可読媒体
WO2022266002A1 (en) * 2021-06-14 2022-12-22 Chevron U.S.A. Inc. Artificial intelligence directed zeolite synthesis

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0784606A (ja) * 1993-09-09 1995-03-31 Idemitsu Kosan Co Ltd 多段断熱反応器の最適化制御方法及びその装置
JP2002210375A (ja) * 2001-01-19 2002-07-30 Toyota Motor Corp 触媒構造の設計方法
JP2009140454A (ja) * 2007-12-11 2009-06-25 Sony Corp データ処理装置、データ処理方法、及びプログラム
KR20090102592A (ko) * 2008-03-26 2009-09-30 한국건설기술연구원 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0784606A (ja) * 1993-09-09 1995-03-31 Idemitsu Kosan Co Ltd 多段断熱反応器の最適化制御方法及びその装置
JP2002210375A (ja) * 2001-01-19 2002-07-30 Toyota Motor Corp 触媒構造の設計方法
JP2009140454A (ja) * 2007-12-11 2009-06-25 Sony Corp データ処理装置、データ処理方法、及びプログラム
KR20090102592A (ko) * 2008-03-26 2009-09-30 한국건설기술연구원 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022260172A1 (ja) * 2021-06-11 2022-12-15 Ｅｎｅｏｓ株式会社 探索装置、探索方法、プログラム及び非一時的コンピュータ可読媒体
WO2022266002A1 (en) * 2021-06-14 2022-12-22 Chevron U.S.A. Inc. Artificial intelligence directed zeolite synthesis

Also Published As

Publication number Publication date
KR102288002B1 (ko) 2021-08-11

Similar Documents

Publication Publication Date Title
CN108596212B (zh) 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
Kim et al. Length-adaptive transformer: Train once with length drop, use anytime with search
Prochazka et al. Signal analysis and prediction
KR20200096452A (ko) 딥러닝 기반의 촉매 설계 방법 및 그 시스템
Bolukbasi et al. Adaptive neural networks for fast test-time prediction
Hendry Prospects for strong emergence in chemistry
Li et al. Npas: A compiler-aware framework of unified network pruning and architecture search for beyond real-time mobile acceleration
KR20220091575A (ko) 신경망 모델을 압축하는 방법 및 기기
KR20190129522A (ko) 딥러닝 기반의 촉매 설계 방법 및 그 시스템
Chen et al. Dst: Deformable speech transformer for emotion recognition
Zhang et al. Accurate and efficient machine learning models for predicting hydrogen evolution reaction catalysts based on structural and electronic feature engineering in alloys
CN111141879A (zh) 一种深度学习的空气质量监测方法以及装置、设备
Mengshoel Designing resource-bounded reasoners using Bayesian networks: System health monitoring and diagnosis
CN117458453A (zh) 电力系统暂态稳定性的预测方法、系统、设备及存储介质
Gao et al. The use of ensemble-based data preprocessing techniques for software defect prediction
Gao et al. The use of under-and oversampling within ensemble feature selection and classification for software quality prediction
JP4925235B2 (ja) 脳の精神的な機能をモデル化した人工ニューラルネットワーク構造の形成方法
Herrmann et al. Visualizing and sonifying how an artificial ear hears music.
Cong et al. Improving materials property predictions for graph neural networks with minimal feature engineering
Zhu et al. Interpreting the basis path set in neural networks
Calzada et al. Dynamic rule activation for extended belief rule bases
Zhang et al. Conformer-based Sound Event Detection with Data Augmentation
Helmi et al. Speech recognition with fuzzy neural network for discrete words
Wang et al. RFE-LSTM-Based Effluent Quality Prediction Method for Wastewater Treatment Plant
CN113870319B (zh) 基于图卷积特征编解码的轨迹预测系统及方法

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant