KR20240099634A - 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템 - Google Patents
인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR20240099634A KR20240099634A KR1020220181348A KR20220181348A KR20240099634A KR 20240099634 A KR20240099634 A KR 20240099634A KR 1020220181348 A KR1020220181348 A KR 1020220181348A KR 20220181348 A KR20220181348 A KR 20220181348A KR 20240099634 A KR20240099634 A KR 20240099634A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- graph
- target material
- atomic
- structure optimization
- Prior art date
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 103
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 36
- 229910010272 inorganic material Inorganic materials 0.000 title description 5
- 239000011147 inorganic material Substances 0.000 title description 5
- 239000000463 material Substances 0.000 claims abstract description 67
- 239000013077 target material Substances 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000003775 Density Functional Theory Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000000547 structure data Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000002050 diffraction method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 102100021164 Vasodilator-stimulated phosphoprotein Human genes 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 108010054220 vasodilator-stimulated phosphoprotein Proteins 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
인공지능 기반 대상 소재의 원자구조 최적화 서비스 제공 방법, 장치 및 시스템이 개시된다. 본 발명의 다양한 실시예들 중 적어도 하나에 따른 원자구조 최적화 서비스 제공 장치는, 메모리; 및 상기 메모리와 통신하는 프로세서를 포함하되, 상기 프로세서는, 대상 소재의 결정학 정보 파일 데이터를 입력받고, 입력받은 결정학 정보 파일 데이터를 수리적 정보로 변환하여 상기 대상 소재의 구조 데이터를 획득하여, 상기 획득된 대상 소재의 구조 데이터를 입력 값으로 하여 인공지능 기반 학습 모델을 통해 최적화된 소재 구조에 관한 그래프 데이터를 산출하고, 상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터를 제공할 수 있다.
Description
본 발명은 무기 소재의 원자구조 최적화에 관한 것으로, 보다 상세하게는 인공지능 기술에 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템에 관한 것이다.
밀도범함수 이론(DFT: Density functional theory)은 고체 또는 분자 시스템이 절대 영도에 있을 때, 에너지가 가장 낮은 상태의 전자가 가질 수 있는 에너지 구조를 컴퓨터를 이용하여 효율적으로 계산하기 위한 방법을 제공한다. 이를 통해 어떤 분자가 물리적으로 존재할 수 있는지 없는지의 여부, 특정 분자의 모양과 성질 등등을 예측할 수 있다. 컴퓨터를 사용하는 과학 계산들 중에서, 가장 널리 쓰이는 양자역학 계산 분야 중 하나이다.
이러한 밀도범함수 이론(DFT) 기반의 계산 방법론을 이용하여 고체 또는 분자 시스템의 바닥상태의 총에너지, 전자구조, 그리고 전자의 파동함수를 얻을 수 있다. 이러한 초기 결과들을 활용하여 고체의 형성에너지, 공간전하밀도, 전자들의 상태밀도 및 밴드구조등을 계산할 수 있다. 이러한 유용한 특성들을 계산하기 위해서는 우선적으로 최적화된 원자구조를 계산하여야 한다. 임의의 고체 시스템에 대한 최적화된 원자 구조정보를 미리 알고 있다면, 비슷한 물질 시스템에 대한 계산을 빠르게 접근할 수 있다는 장점이 있다. 또한 이러한 최적 원자 구조들을 수리적 데이터로 변환 후 Artificial Neural Network 방법 등을 통하여 소재 물성 예측에 활용할 수도 있다.
그러나 임의의 소재 시스템에 대하여 밀도범함수 이론(DFT) 계산을 수행하기 위해서는 복잡한 준비 과정이 필요하다. 먼저, 고비용의 하드웨어를 클러스터 형태로 구축하여 병렬 계산을 통한 거대 계산이 가능하도록 준비하여야 한다. 이후 Operation System을 도입하고, 밀도범함수 이론 계산 프로그램을 설치 및 최적화하는 과정을 거쳐야 한다. 이 뿐만 아니라, 물리학적 기반 지식을 활용하여 해당 계산 작업이 유효한 작업인지를 면밀히 검토하고 판단해야 한다. 이처럼 밀도 범함수이론 계산을 수행하기 위해서는 복잡하고 다양한 선행 작업이 반드시 요구되는 문제점을 지니고 있다.
또한, 현재 국내 연구 및 산업계에서는 효율적인 밀도범함수 이론(DFT) 계산 구현 및 실행을 위한 프로그램 (또는 코드)으로써 VASP 또는 Material studio (CASTEP, Dmol3)가 주로 사용되고 있는데 이들은 모두 외산 프로그램이라는 문제점이 있다.
따라서, 위와 같은 문제점을 해소하기 위한 구체적인 해결 방법이 요구되고 있는 실정이다.
상기한 종래 문제점을 해소하기 위하여, 본 발명의 일과제는 인공지능 기반 소재 구조 최적화 서비스를 제공하는 것이다.
본 발명에서 이루고자 하는 기술적 과제들은 상기 기술적 과제로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 문제점을 해결하기 위한 본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 장치는, 메모리; 및 상기 메모리와 통신하는 프로세서를 포함하되, 상기 프로세서는, 대상 소재의 결정학 정보 파일 데이터를 입력받고, 입력받은 결정학 정보 파일 데이터를 구조화하여 상기 대상 소재의 구조 데이터를 획득하여, 상기 획득된 대상 소재의 구조 데이터를 입력 값으로 하여 인공지능 기반 학습 모델을 통해 최적화된 소재 구조에 관한 그래프 데이터를 산출하고, 상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터를 제공할 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 장치에 따르면, 상기 대상 소재의 구조 데이터에는, 노드와 에지로 구성된 수리적 그래프 데이터 및 상기 그래프 데이터에 관한 원자 성질 행렬 데이터와 원자 좌표 데이터가 포함될 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 장치에 따르면, 상기 프로세서는, 상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터로 최적화된 소재 구조의 원자 좌표를 제공할 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 장치에 따르면, 상기 인공지능 기반 학습 모델은, 그래프 기반 인공 신경망을 포함하고, 상기 그래프 기반 인공 신경망은 Graph Convolutional Network, Graph Attention Network, Crystal Graph Convolutional Neural Network 등을 포함할 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 장치에 따르면, 상기 그래프 기반 인공 신경망은, 노드 임베딩 행렬을 원자 좌표로 변환하는 노드 어그리게이션 계층과, 그래프 형태의 입력을 노드 임베딩 행렬로 변환하는 풀리-커넥티드 뉴런 계층을 포함하여 구성될 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 장치에 따르면, 상기 프로세서는, 상기 메모리에 기저장된 최적화된 소재 구조 데이터를 이용하여, 상기 그래프 기반 인공 신경망을 위한 학습 데이터를 생성할 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 장치에 따르면, 상기 프로세서는, 상기 메모리에 기저장된 최적화된 소재 구조 데이터에 가우시안 노이즈를 더하여, 상기 그래프 기반 인공 신경망을 위한 복수의 학습 데이터를 생성할 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 장치에 따르면, 상기 프로세서는, 상기 그래프 기반 인공 신경망을 위한 학습 과정에서, 밀도범함수 이론(DFT)를 이용할 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 방법은, 대상 소재의 CIF 데이터를 입력받는 단계; 입력받은 CIF 데이터를 구조화하여 상기 대상 소재의 구조에 관한 그래프 데이터를 획득하는 단계; 상기 획득된 대상 소재의 구조에 관한 그래프 데이터를 입력 값으로 하여 인공지능 기반 학습 모델을 통해 최적화된 소재 구조에 관한 그래프 데이터를 산출하는 단계; 및 상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터를 제공하는 단계를 포함하여 이루어질 수 있다.
본 발명의 일실시예에 따른 원자구조 최적화 서비스 제공 시스템은, 대상 소재의 CIF 데이터를 입력하는 단말; 및 원자구조 최적화 서비스 플랫폼을 제공하는 컴퓨팅 디바이스를 포함하되, 상기 컴퓨팅 디바이스는, 상기 원자구조 최적화 서비스 플랫폼을 통해, 상기 단말로부터 입력받은 CIF 데이터를 구조화하여 상기 대상 소재의 구조에 관한 그래프 데이터를 획득하여, 상기 획득된 대상 소재의 구조에 관한 그래프 데이터를 입력 값으로 하여 인공지능 기반 학습 모델을 통해 최적화된 소재 구조에 관한 그래프 데이터를 산출하고, 상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터를 제공하는 프로세서를 포함할 수 있다.
상기와 같은 본 발명에 따르면 아래에 기재된 효과를 얻을 수 있다. 다만, 본 발명을 통해 얻을 수 있는 효과는 이에 제한되지 않는다.
첫째, 고가의 하드웨어 장비 및 외산 소프트웨어에 의존하지 않고도 신소재에 대한 원자구조 최적화가 가능한 효과가 있다.
둘째, 일반화된 수리적 그래프 형태의 입력을 이용하기 때문에 전문적인 물리적 기반 지식이 없는 사용자도 손쉽게 원자구조 최적화를 위한 입력 데이터를 구성할 수 있는 효과가 있다.
셋째, 인공지능 기반의 예측 형태로 원자구조를 최적화함에 따라 밀리세컨드(ms) 규모에서 최적화된 원자구조를 산출할 수 있는 효과가 있다.
넷째, 원자구조의 규모 내지 복잡도에 대한 제한없이 원자구조 최적화를 수행할 수 있는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스 제공 시스템을 설명하기 위해 도시한 개략도이다.
도 2는 도 1의 서버의 구성을 설명하기 위해 도시한 도면이다.
도 3은 도 2의 프로세서의 구성을 설명하기 위해 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스 제공 방법을 설명하기 위해 도시한 순서도이다.
도 5는 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스의 전 과정을 설명하기 위해 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 인공신경망의 구조 및 동작을 설명하기 위해 도시한 도면이다.
도 7은 도 6의 인공신경망 학습을 위한 학습 데이터 생성 과정을 설명하기 위해 도시한 도면이다.
도 2는 도 1의 서버의 구성을 설명하기 위해 도시한 도면이다.
도 3은 도 2의 프로세서의 구성을 설명하기 위해 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스 제공 방법을 설명하기 위해 도시한 순서도이다.
도 5는 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스의 전 과정을 설명하기 위해 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 인공신경망의 구조 및 동작을 설명하기 위해 도시한 도면이다.
도 7은 도 6의 인공신경망 학습을 위한 학습 데이터 생성 과정을 설명하기 위해 도시한 도면이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전히 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
몇몇의 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "…부"의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 나아가, "일(a 또는 an)", "하나(one)", 및 유사 관련어는 본 발명을 기술하는 문맥에 있어서 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
아울러, 본 발명의 실시예들에서 사용되는 특정(特定) 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
본 명세서에서는 본 발명의 일실시예에 따른 인공지능(Artificial Intelligence) 기반으로 대상 소재(예를 들어, 원자구조)의 최적화 서비스 제공 방법, 장치 및 시스템에 관해 설명한다.
대부분의 머신러닝 알고리즘은 입력 데이터가 유클리드 공간(Euclidean space)에 존재함을 가정하여 상기 입력 데이터를 벡터(vector) 형태로 표현하나, 본 발명과 같은 화학 소재 예를 들어, 분자 구조와 같이 객체들과 객체들 사이의 관계로 표현되는 데이터는 그래프(Graph)로 표현하고 이를 이용하는 것이 바람직하다. 다만, 이러한 그래프 데이터는 유클리드 공간에 존재하지 않으며 직접적인 방식으로 벡터의 형태로 변환하는 것도 불가능하기에, 본 발명에서는 인공지능 기반으로 그래프 형태의 데이터 처리 알고리즘을 개시한다.
한편, 종래 원자구조 최적화에는 밀도범함수 이론(DFT) 계산을 이용하였으나, 고성능의 하드웨어, 밀도범함수 이론(DFT) 소프트웨어, 응집 물리 분야의 전문가를 확보해야 하기 때문에 많은 시간과 노력이 소모되고, 밀도범함수 이론(DFT) 계산의 입력 데이터를 구성하기 위해서는 기반 지식을 갖춘 전문가가 직접 입력 데이터를 설정해야 하기 때문에 DFT 계산 자동화에 있어 한계가 있을 뿐만 아니라, 복잡한 구조 또는 특정 원소를 포함하는 원자구조에 대해서는 DFT 계산이 불가능하거나 계산 시간이 지수적으로 증가하였다.
특히, 본 발명에서는, 인공지능 기술과 관련하여 그래프 기반 인공신경망 예를 들어, 집계 함수(aggregation function) 기반으로 그래프 데이터를 처리할 수 있는 GNN(Graph Neural Network)을 일 예로 하여 설명하나, 반드시 이에 한정되는 것은 아니다. 다만, GNN에 대한 상세 설명은 공지된 내용을 참조하고, 본 명세서에서는 본 발명과 관련된 내용만을 기술한다.
한편, 본 명세서에서 개시되는 “그래프(Graph)”는, 점과 점을 연결하는 선으로 구성된 형태를 말하는 것으로, 이 때 점은 정점(Vertex) 또는 노드(Node)라고 하고, 선은 간선(edge)라고 한다. 이러한 그래프는 구성요소 간 복잡한 상호작용 특성을 이해할 수 있도록 표현한 언어 또는 수학적 구조로 볼 수 있으며, 이를 통해 구조의 이해 및 예측에 활용할 수 있다.
이하에서는, 인공지능 기반 원자구조 최적화 서비스와 관련된 다양한 실시예를 개시하되 특히, 인공지능 기반 원자구조 최적화 서비스 처리/제공 동작을 수행하는 서버(server)를 정의하고 그를 포함한 인공지능 기반 원자구조 최적화 서비스 제공 시스템을 제공한다. 이 때, 상기 서버는 본 발명에 따른 인공지능 기반으로 재생에너지 발전량 예측 모델 및 관리 서비스를 지원하는 플랫폼(platform)을 구축(또는 제공)할 수 있다.
이 때, 본 발명은 상기 플랫폼이 다양한 시스템에 호환되어 동작 가능하며, 제한된 하드웨어 환경에 최적화 가능하도록 구축될 수 있다. 한편, 이러한 본 발명에 따른 실시예들은, 구현 방식에 따라 모듈(module), 어플리케이션(application), 또는 프로그램(program) 형태로 제공될 수 있다.
한편, 본 명세서에서 기술되는 본 발명에 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스 제공 시스템은, 블록체인(block-chain), 가상현실(Virtual Reality), 증강현실(Augmented Reality), 및 혼합현실(Mixed Reality)를 총칭하는 가상융합기술(eXtended Reality) 기술과 같은 ICT(Information and Communication Technology) 기술이 이용 또는 참조 결합되어 구현될 수 있다. 다만, 본 명세서에서는 필요한 경우를 제외하고, ICT 기술에 대한 상세 설명은 공지기술을 참조하여 별도 설명은 생략한다.
이하 첨부된 도면을 참조하여, 본 발명에 따른 인공지능 기반 원자구조 최적화 서비스에 대해 설명하면, 다음과 같다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스 제공 시스템(1)을 설명하기 위해 도시한 개략도이다.
도 2는 도 1의 서버(200)의 구성을 설명하기 위해 도시한 도면이다.
도 3은 도 2의 프로세서(220)의 구성을 설명하기 위해 도시한 도면이다.
도 1을 참조하면, 인공지능 기반 원자구조 최적화 서비스 제공 시스템(1)은, 단말(100)과 서버(200)를 포함하여 구성될 수 있다. 다만, 인공지능 기반 원자구조 최적화 서비스 제공 시스템(1)은, 도 1에 도시되지 않은 적어도 하나 이상의 구성을 더 포함하여 구성될 수도 있다. 예를 들어, 인공지능 기반 원자구조 최적화 서비스 이용 과정에서 결제 등이 필요한 경우, 결제 서비스 지원을 위한 결제 서버(Payment Gateway) 등이 도 1의 인공지능 기반 원자구조 최적화 서비스 제공 시스템(1)에 포함될 수 있다.
서버(200)는 적어도 하나의 DB(database)를 내장하거나 외장 DB와 연결될 수 있다.
서버(200)는 본 발명에 따른 인공지능 기반 원자구조 최적화 예측 모델 학습, 관리 등 위한 데이터를 적어도 하나의 외부 소스(external source)로부터 수집할 수 있다.
DB(미도시)는, 본 발명에 따른 단말(100)로부터 수신하거나 서버(200)에서 수집하거나 처리되는 다양한 원자구조 최적화 서비스와 관련된 데이터를 저장할 수 있다.
서버(200)는 본 발명에 따른 인공지능 기반 원자구조 최적화 서비스를 위한 플랫폼을 구축하여 제공할 수 있다.
단말(100)은 서버(200)에 의해 제공되는 원자구조 최적화 서비스 플랫폼을 통하여 원하는 소재의 최적화된 원자구조 예측 요청 등을 수행할 수 있다.
설명의 편의상, 도 1에서는 하나의 단말(100)만 도시하였으나, 이에 한정되지 않고 서버(200) 즉, 원자구조 최적화 서비스 플랫폼에 복수의 단말들이 동시에 접속하여 이용할 수 있다.
서버(200)는 원자구조 최적화 서비스 플랫폼을 오픈소스 형태로 누구나 이용할 수 있도록 제공할 수도 있고, 상기 플랫폼에 회원가입한 특정 사용자만 이용할 수 있도록 제공할 수도 있다.
단말(100)은 PC, TV 등과 같은 고정 형태의 단말이거나 스마트폰, 랩탑, 태블릿 PC 등과 같은 이동 가능한 형태의 단말일 수도 있다. 실시예에 따라서, 단말(100)은 웨어러블 디바이스(wearable device)나 타 단말과 연동되어 작동하는 형태의 기기도 포함할 수 있다.
다른 실시예에 따르면, 단말(100)은 본 발명에 따른 인공지능 기반 원자구조 최적화 서비스 플랫폼 이용을 위한 전용(dedicated) 단말 형태일 수도 있다.
본 발명에 따른 단말(100)은 전술한 예시에 한정되는 것은 아니며, 인공지능 기반 원자구조 최적화 서비스 플랫폼 이용에 필요한 최소한의 펌웨어나 소프트웨어 또는/및 하드웨어를 포함하면 족하다.
실시예에 따라, 단말(100)은 인공지능 기반 원자구조 최적화 서비스 플랫폼 이용을 위한 API(Application Programming Interface), 플러그-인(Plug-in) 등에 관한 펌웨어(firmware)나 소프트웨어를 내장할 수 있다.
본 발명에 따른 인공지능 기반 원자구조 최적화 서비스(또는 플랫폼)은 어플리케이션(application), HTML5.0 등 웹 기반 서비스(Web-based service) 등을 통해 접속하고 이용 가능할 수 있다.
특히, 전자의 경우, 단말(100)은 본 발명에 따른 인공지능 기반 원자구조 최적화 서비스를 위한 어플리케이션을 다운로드 받아 설치하고, 설치된 어플리케이션의 실행을 통하여 인공지능 기반 원자구조 최적화 서비스 플랫폼에 접속하고 이용할 수 있다. 이 때, 상기 어플리케이션은 서버(200)에 의해 제작 배포된 것일 수 있으나, 이에 한정되는 것은 아니다.
단말(100)은 인공지능 기반 원자구조 최적화 서비스(플랫폼)의 이용과 관련하여, 관련 사용자 인터페이스(user interface)를 출력하기 위한 최소한의 구성을 포함하는 것이 바람직하다. 상기 구성에는 예를 들어, 디스플레이(터치 디스플레이 포함), 스피커(반드시 내장일 필요는 없고, 연결 가능한 스피커이면 족함) 등이 포함될 수 있다.
서버(200)는 컴퓨팅 디바이스(computing device), 제어부, 컴퓨터 등으로 호칭될 수 있으며, 원격(remote)에 위치할 수 있다.
도 2를 참조하면, 본 발명의 일실시예에 따른 서버(200)는, 메모리(210)와 프로세서(220)를 포함하여 구성될 수 있다.
메모리(210)는 도 1에서 전술한 DB에 상응하는 구성이거나 그를 포함하는 구성일 수 있다.
메모리(210)는 서버(200) 또는 프로세서(220)와 통신하여 데이터를 수신하여 저장하거나 저장된 데이터가 독출 되도록 지원할 수 있다.
도 3을 참조하면, 프로세서(220)는 통신 모듈(310), 구조화 디코더(320), 전처리 모듈(330), 학습 모듈(340) 및 제어 모듈(350)을 포함하여 구성될 수 있다.
통신 모듈(310)은 인공지능 기반 최적화된 원자구조 예측 모델 학습 및 관리에 필요한 데이터를 외부 소스 등으로부터 수집하는 경우에 통신 인터페이스를 지원할 수 있다.
이러한 통신 모듈은, 유선 통신 모듈, 무선 통신 모듈, 근거리 통신 모듈 등 중 적어도 하나를 포함할 수 있다.
상기에서, 유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈과 같은 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard-232), 전력선 통신, 또는 POTS(plain old telephone service)와 같은 케이블 통신 모듈을 포함할 수 있다.
상기에서, 무선 통신 모듈은 와이-파이(Wi-fi) 모듈 외에도, 4G(4 Generation), 5G, 6G 등 다양한 무선통신 방식을 지원하는 통신 모듈을 포함할 수 있다.
상기 근거리 통신 모듈은 근거리 통신을 위한 것으로서, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wide Band), 지그비(ZigBee), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct와 같은 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
통신 모듈(310)은 단말(100)로부터 인공지능 기반 원자구조 최적화 서비스에 관한 다양한 요청을 수신할 수 있다. 이 때, 통신 모듈(310)은 단말(100)로부터 최적화를 원하는 대상 소재의 결정학 정보 파일(CIF: Crystallographic Information File)을 입력 받을 수 있다.
구조화 디코더(320)는 통신 모듈(310)을 통해 단말(100) 등으로부터 입력받은 대상 소재의 결정학 정보 파일(CIF)을 본 발명에 따른 인공지능 기반 원자구조 최적화 서비스 이용에 맞게 가공 즉, 그래프 데이터로 구조화 처리를 수행할 수 있다. 즉, 구조화 디코더(320)에서는 입력 받는 결정학 정보 파일(CIF)을 그래프 데이터로 변환할 수 있다.
전처리 모듈(330)은 통신 모듈(310)을 통해 인공지능 기반 원자구조 최적화 서비스와 관련하여 수집된 학습 데이터를 미리 생성된 최적화된 원자구조 예측 모델에서 학습할 수 있도록 전처리 할 수 있다.
학습 모델(340)은, 전처리 된 학습 데이터 기반으로 원자구조 최적화 예측 모델을 학습할 수 있다. 학습 모델(340)는 상기 학습을 통하여 원자구조 최적화 예측 모델을 계속하여 업데이트할 수 있다.
학습 모델(340)은 학습된 원자구조 최적화 예측 모델에 기초하여, 통신 모듈(310)을 통해 단말(100) 등으로부터 요청된 대상 소재의 구조에 대하여 최적화된 원자구조 예측 결과 데이터를 생성할 수 있다.
제어 모듈(350)은 프로세서(220)의 전반적인 인공지능 기반 원자구조 최적화 서비스에 관한 동작을 제어할 수 있다. 이 과정에서, 제어 모듈(350)은 도 3에 도시된 프로세서(220)의 각 구성요소에 대한 제어 커맨드를 생성하여 해당 구성요소로 전송하여 그 동작을 제어할 수 있다.
제어 모듈(350)은 프로세서(220)에 의해 처리되는 인공지능 기반 원자구조 최적화 서비스(플랫폼)의 이상 유무를 모니터링(monitoring)하고, 모니터링 결과에 기초하여, 서비스(플랫폼)의 다양한 동작을 제어할 수 있다.
제어 모듈(350)은 학습 모델(340)에서 요청된 대상 소재의 구조에 대한 최적화된 원자구조 예측 결과 데이터가 생성되는 경우, 생성된 결과 데이터를 단말(100)로 리턴하여, 상기 단말(100)의 출력 인터페이스를 통해 사용자에게 제공되도록 제어 신호를 생성하여 단말(100)로 전송할 수 있다.
제어 모듈(350)은, 단말(100)에서 본 발명에 따른 인공지능 기반 원자구조 최적화 서비스의 이용이 가능하도록 지원하기 위해, 서비스 플랫폼 이용에 관한 알고리즘이나 로직(logic) 또는/및 그에 관련된 API(Application Programming Interface)나 플러그-인(plug-in) 등을 제공할 수 있다.
도 4는 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스 제공 방법을 설명하기 위해 도시한 순서도이다.
도 5는 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스의 전 과정을 설명하기 위해 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 인공신경망의 구조 및 동작을 설명하기 위해 도시한 도면이다.
도 7은 도 6의 인공신경망 학습을 위한 학습 데이터 생성 과정을 설명하기 위해 도시한 도면이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 인공지능 기반 원자구조 최적화 서비스 제공 동작은 다음과 같이 이루어질 수 있다.
이 때, 설명의 편의상, 도 4의 동작은 서버(200)(특히, 프로세서(220))의 관점에서 대상 소재의 원자 구조에 관한 최적화 서비스 제공 동작을 설명하나, 본 발명이 이에 한정되는 것은 아니다.
동작 S101에서, 프로세서(220)는 단말(100)로부터 대상 소재의 결정학 정보 파일(CIF) 데이터를 입력 받을 수 있다.
동작 S103에서, 프로세서(220)는 단말(100)로부터 입력 받은 결정학 정보 파일(CIF) 데이터를 도 3의 구조화 디코더(320)를 통해 구조화할 수 있다.
동작 S105에서, 프로세서(220)는 상기 대상 소재의 구조에 관한 그래프 데이터를 획득할 수 있다.
동작 S107에서, 프로세서(220)는 상기 획득된 대상 소재의 구조에 관한 그래프 데이터를 입력 값으로 하여 인공지능 기반 학습 모델을 통해 최적화된 소재 구조에 관한 그래프 데이터를 산출할 수 있다.
동작 S109에서, 프로세서(220)는 상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터를 제공할 수 있다.
도 5에서는 도 4를 순서도를 설명하기 위해 도시한 도면이다.
본 발명의 일실시예에 따른 소재 구조 최적화 인공 신경망(520)은 대상 소재 구조(510)가 입력되면, 최적화된 원자구조(530)를 출력(예측)할 수 있다.
입력 대상 소재 구조(510)는 최적화 이전의 소재 구조로, 노드(node)(512)와 에지(edge)(514)로 표현된 그래프 형태일 수 있다.
한편, 도 5에 도시된 바와 같이, 입력 대상 소재 구조(510)는 행렬(matrix)과 좌표(coordinate) 형태로 표현될 수 있다.
입력 대상 소재 구조는, 원자 성질 행렬(n by m, 여기서, n과 m은 양의 정수)(516)로도 표현할 수 있으며, 도시된 바와 같이 노드(512)와 에지(514) 정보 기반으로 생성될 수 있다.
입력 대상 소재 구조는, 원자 좌표(518) 형태로 표현할 수 있다.
전술한 원자 성질 행렬(516)과 원자 좌표(518)는, 전술한 구조화된 입력 대상 소재 구조로부터 획득할 수 있다.
소재 구조 최적화 인공 신경망(520)은, 대상 소재 구조의 원자 성질 행렬(516)과 원자 좌표(518)를 입력으로 하여, 최적화된 원자 좌표(536)를 산출할 수 있다.
최적화된 원자구조(530) 역시, 전술한 입력 대상 소재 구조와 같은 형태로 표현될 수 있다.
도 5를 참조하면, 최적화된 원자구조(530)는 그래프 형태의 원자구조(532), 원자 성질 행렬(534) 및 원자 좌표(536)에 대한 정보를 포함할 수 있다.
이하 전술한 바와 같이, 인공지능 기술 즉, 그래프 기반 인공신경망의 기본 설명은 공지 기술을 참조하고 별도 설명은 생략한다.
도 6을 참조하여, 도 5의 소재 구조 최적화 인공 신경망(520)의 학습을 위한 학습 데이터 생성 과정에 대해 더욱 상세하게 설명한다.
소재 구조 최적화 인공 신경망(520)은 학습 데이터가 생성되면, 생성된 학습 데이터를 이용하여 소재 구조 최적화 모델을 학습할 수 있다.
도 6을 참조하면, 소재 구조 최적화 인공 신경망(520)은 학습 데이터 생성을 위하여, 최적화된 소재 구조의 그래프 데이터와 원자좌표 데이터를 이용할 수 있다.
이 때, 최적화된 소재 구조의 그래프 데이터는 예를 들어, 통신 모듈(310)을 통하여 외부 소스로부터 획득할 수 있다.
실시예에 따라서, 소재 구조 최적화 인공 신경망(520)은 이전에 소재 구조 최적화 처리를 통해 메모리(210)에 저장된 최적화된 소재 구조의 그래프 데이터를 독출하여 획득할 수 있다. 이 때, 소재 구조 최적화 인공 신경망(520)은 서비스 플랫폼을 통해 다수의 원자구조 최적화 서비스 요청에 따른 결과물을 그대로 이용할 수 있다.
본 발명의 일실시예에 따른 소재 구조 최적화 인공 신경망(520)은 이미 최적화된 소재 구조의 그래프 데이터 및 원자 좌표에 가우시안 노이즈를 더하여 다수의 학습 데이터를 생성할 수 있다.
실시예에 따라서, 소재 구조 최적화 인공 신경망(520)은 메모리(210)에 저장 중인 최적화된 소재 구조 모두에 대하여 도 6의 학습 데이터 생성 프로세스를 수행할 수 있다.
다른 실시예에 따르면, 소재 구조 최적화 인공 신경망(520)은 서비스 플랫폼에 대하여, 최적화 서비스의 대상 소재 구조 데이터가 입력되면, 그와 관련된 최적화된 소재 구조를 식별하고, 식별된 최적화된 소재 구조에 대한 데이터를 메모리(210)로부터 독출하여, 가우시안 노이즈를 더하여 임의로 학습 데이터를 생성하고, 그렇게 생성된 학습 데이터 기반으로 예측 모델을 학습한 후에, 최종적으로 요청된 대상 소재 구조에 관한 원자구조 최적화 프로세스를 진행할 수 있다.
도 6에서는 편의상 가우시안 노이즈를 더하여 학습 데이터를 생성하는 방법을 예시하였으나, 이미 최적화된 소재 구조 기반으로 학습 데이터 생성을 위한 방법은 이에 한정되지 않는다.
예를 들어, 소재 구조 최적화 인공 신경망(520)은 기 최적화된 소재 구조 데이터에 가우시안 노이즈를 복수 회 더하여 학습 데이터를 생성할 수도 있고, 다른 방법으로 학습 데이터를 생성할 수도 있다.
실시예에 따라서, 소재 구조 최적화 인공 신경망(520)은 이미 최적화된 소재 구조 데이터와 그에 기반하여 가우시안 노이즈를 더해 생성되는 학습 데이터를 매핑하여, 별도 테이블 형태 등으로 저장할 수 있다.
이 경우, 소재 구조 최적화 인공 신경망(520)은 후술하는 도 7과 같이 동작하기 전에 또는 그와 별개로 먼저, 입력 대상 소재 구조 데이터와 일치하는 학습 데이터 형태가 존재하는지 판단할 수 있다. 판단 결과에 기초하여, 만약 입력 대상 소재 구조 데이터와 일치하는 학습 데이터 형태가 존재하면, 상기 별도 저장된 매핑 테이블을 참고하여, 최적화된 소재 구조를 바로 리턴할 수도 있다.
다른 실시예에 따르면, 소재 구조 최적화 인공 신경망(520)은 학습 과정에서 밀도범함수 이론(DFT)으로 계산된 최적화된 원자 좌표 데이터를 참고할 수 있다. 예를 들어, 다음과 같은 수식이 이용될 수 있다.
상기 수학식 1에 나타낸 바와 같이, 소재 구조 최적화 인공 신경망(520)은 밀도범함수 이론(DFT)으로 산출된 최적화된 원자 좌표(
)와 소재 구조 최적화 인공 신경망(520)이 예측한 최적화된 원자 좌표(
)을 이용할 수 있다.
상기에서, 밀도범함수 이론(DFT) 기반으로 최적화된 원자 좌표(
)를 산출하는 것은, 프로세서(220) 예컨대, 학습 모듈(230), 제어모듈(250) 등 중 적어도 하나에서 이루어질 수 있다.
도 7을 참조하여, 도 5의 소재 구조 최적화 인공 신경망(520)의 구조 및 동작에 대해 더욱 상세하게 설명한다.
도 7에서, 소재 구조 최적화 인공 신경망(520)은 계층 구조를 가질 수 있다. 이 때, 계층에는 노드 임베딩(node embedding) 행렬을 원자 좌표로 변환 작업을 수행하는 노드 어그리게이션 계층과 그래프 형태의 입력을 노드 임베딩 행렬로 변환하는 풀리-커넥티드 뉴런 계층일 포함될 수 있다.
즉, 소재 구조 최적화 인공 신경망(520)은 대상 소재 구조 데이터가 입력되면, 노드 어그리게이션 계층과 풀리-커넥티드 뉴런 계층에서 각각 동작하여, 최적화된 원자 좌표 데이터를 획득할 수 있다.
상술한 본 발명의 다양한 실시예들 중 적어도 하나에 따르면, 고가의 하드웨어 장비 및 외산 소프트웨어에 의존하지 않고도 신소재에 대한 원자구조 최적화가 가능하며, 이 때, 일반화된 수리적 그래프 형태의 입력을 이용하기 때문에 전문적인 물리적 기반 지식이 없는 사용자도 손쉽게 원자구조 최적화를 위한 입력 데이터를 구성할 수 있으며, 인공지능 기반의 예측 형태로 원자구조를 최적화함에 따라 밀리세컨드(ms) 규모에서 최적화된 원자구조를 산출할 수 있을 뿐만 아니라 원자구조의 규모 내지 복잡도에 대한 제한없이 원자구조 최적화를 수행할 수 있는 효과가 있다.
한편, 상술한 방법은, 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 코드를 저장하는 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, CD, DVD 등)와 같은 저장 매체를 포함한다.
본원 발명의 실시예들과 관련된 기술 분야에서 통상의 지식을 가진 자는 상기 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로, 개시된 방법들은 한정적인 관점이 아닌 설명적 관점에서 고려되어야 한다. 본 발명의 범위는 발명의 상세한 설명이 아닌 특허청구 범위에 나타나며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명인 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템은 다양한 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템에 이용할 수 있다.
Claims (10)
- 메모리; 및
상기 메모리와 통신하는 프로세서;를 포함하되,
상기 프로세서는,
대상 소재의 결정학 정보 파일 데이터를 입력받고, 입력받은 결정학 정보 파일 데이터를 구조화하여 상기 대상 소재의 구조 데이터를 획득하여, 상기 획득된 대상 소재의 구조 데이터를 입력 값으로 하여 인공지능 기반 학습 모델을 통해 최적화된 소재 구조에 관한 그래프 데이터를 산출하고, 상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터를 제공하는,
원자구조 최적화 서비스 제공 장치. - 제1항에 있어서,
상기 대상 소재의 구조 데이터에는,
노드와 에지로 구성된 그래프 데이터 및 상기 그래프 데이터에 관한 원자 성질 행렬 데이터와 원자 좌표 데이터가 포함되는,
원자구조 최적화 서비스 제공 장치. - 제2항에 있어서,
상기 프로세서는,
상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터로 최적화된 소재 구조의 원자 좌표를 제공하는,
원자구조 최적화 서비스 제공 장치. - 제3항에 있어서,
상기 인공지능 기반 학습 모델은,
그래프 기반 인공 신경망을 포함하고,
상기 그래프 기반 인공 신경망은 GNN을 포함하는,
원자구조 최적화 서비스 제공 장치. - 제4항에 있어서,
상기 그래프 기반 인공 신경망은,
노드 임베딩 행렬을 원자 좌표로 변환하는 노드 어그리게이션 계층과, 그래프 형태의 입력을 노드 임베딩 행렬로 변환하는 풀리-커넥티드 뉴런 계층을 포함하여 구성되는,
원자구조 최적화 서비스 제공 장치. - 제5항에 있어서,
상기 프로세서는,
상기 메모리에 기저장된 최적화된 소재 구조 데이터를 이용하여, 상기 그래프 기반 인공 신경망을 위한 학습 데이터를 생성하는,
원자구조 최적화 서비스 제공 장치. - 제6항에 있어서,
상기 프로세서는,
상기 메모리에 기저장된 최적화된 소재 구조 데이터에 가우시안 노이즈를 더하여, 상기 그래프 기반 인공 신경망을 위한 복수의 학습 데이터를 생성하는,
원자구조 최적화 서비스 제공 장치. - 제7항에 있어서,
상기 프로세서는,
상기 그래프 기반 인공 신경망을 위한 학습 과정에서, 밀도범함수 이론(DFT)를 이용하는,
원자구조 최적화 서비스 제공 장치. - 대상 소재의 CIF 데이터를 입력받는 단계;
입력받은 CIF 데이터를 구조화하여 상기 대상 소재의 구조에 관한 그래프 데이터를 획득하는 단계;
상기 획득된 대상 소재의 구조에 관한 그래프 데이터를 입력 값으로 하여 인공지능 기반 학습 모델을 통해 최적화된 소재 구조에 관한 그래프 데이터를 산출하는 단계; 및
상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터를 제공하는 단계를 포함하는,
원자구조 최적화 서비스 제공 방법. - 대상 소재의 CIF 데이터를 입력하는 단말; 및
원자구조 최적화 서비스 플랫폼을 제공하는 컴퓨팅 디바이스를 포함하되,
상기 컴퓨팅 디바이스는,
상기 원자구조 최적화 서비스 플랫폼을 통해, 상기 단말로부터 입력받은 CIF 데이터를 구조화하여 상기 대상 소재의 구조에 관한 그래프 데이터를 획득하여, 상기 획득된 대상 소재의 구조에 관한 그래프 데이터를 입력 값으로 하여 인공지능 기반 학습 모델을 통해 최적화된 소재 구조에 관한 그래프 데이터를 산출하고, 상기 대상 소재에 대해 산출된 최적화된 소재 구조 서비스 데이터를 제공하는 프로세서를 포함하는,
원자구조 최적화 서비스 제공 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220181348A KR20240099634A (ko) | 2022-12-22 | 2022-12-22 | 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220181348A KR20240099634A (ko) | 2022-12-22 | 2022-12-22 | 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240099634A true KR20240099634A (ko) | 2024-07-01 |
Family
ID=91944890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220181348A KR20240099634A (ko) | 2022-12-22 | 2022-12-22 | 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240099634A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101059427B1 (ko) | 2003-06-27 | 2011-08-25 | 팀버 테크놀로지스, 인코포레이티드 | 기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측 |
-
2022
- 2022-12-22 KR KR1020220181348A patent/KR20240099634A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101059427B1 (ko) | 2003-06-27 | 2011-08-25 | 팀버 테크놀로지스, 인코포레이티드 | 기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111755078A (zh) | 药物分子属性确定方法、装置及存储介质 | |
| WO2022105117A1 (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
| Xu et al. | On convergence analysis of multi-objective particle swarm optimization algorithm | |
| KR20200145641A (ko) | 정보 생성 방법 및 장치 | |
| Chi et al. | A hybridization of cuckoo search and differential evolution for the logistics distribution center location problem | |
| CN111625258B (zh) | 默克尔树更新方法、装置、设备及可读存储介质 | |
| CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
| CN113052262A (zh) | 表单生成方法、装置、计算机设备及存储介质 | |
| Jiang et al. | Mobile traffic prediction in consumer applications: a multimodal deep learning approach | |
| Zhao et al. | Tag‐Aware Recommender System Based on Deep Reinforcement Learning | |
| US11663228B2 (en) | Automated management of data transformation flows based on semantics | |
| CN110335165A (zh) | 一种链路预测方法和装置 | |
| Qi et al. | Harnessing federated generative learning for green and sustainable Internet of Things | |
| CN112541556A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
| Morell et al. | A multi-objective approach for communication reduction in federated learning under devices heterogeneity constraints | |
| Yang et al. | Microgrid energy management strategy base on UCB-A3C learning | |
| KR102542058B1 (ko) | 확률론적 태양광 발전량 예측 및 가상발전소 운영 의사결정 방법과 시스템 | |
| KR20240099634A (ko) | 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템 | |
| CN111814044A (zh) | 一种推荐方法、装置、终端设备及存储介质 | |
| CN109934348B (zh) | 机器学习模型超参数推断方法及装置、介质、电子设备 | |
| Ishankhodjayev et al. | Improvement of information support in intelligent information energy systems | |
| CN116070257A (zh) | 使用去中心化数据上的堆叠集成来训练异构模型的系统和方法 | |
| KR102406725B1 (ko) | 데이터 상호 호환 방법 및 데이터 상호 호환 시스템 | |
| CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
| Wen et al. | Deep learning-driven hybrid model for short-term load forecasting and smart grid information management |