WO2019045320A1 - 소재의 전자 구조를 예측하는 방법 및 전자 장치 - Google Patents

소재의 전자 구조를 예측하는 방법 및 전자 장치 Download PDF

Info

Publication number
WO2019045320A1
WO2019045320A1 PCT/KR2018/009278 KR2018009278W WO2019045320A1 WO 2019045320 A1 WO2019045320 A1 WO 2019045320A1 KR 2018009278 W KR2018009278 W KR 2018009278W WO 2019045320 A1 WO2019045320 A1 WO 2019045320A1
Authority
WO
WIPO (PCT)
Prior art keywords
electronic device
electronic
principal component
graph
coefficient
Prior art date
Application number
PCT/KR2018/009278
Other languages
English (en)
French (fr)
Inventor
한상수
여병철
김동훈
김승철
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 KR1020170108850A external-priority patent/KR101943518B1/ko
Priority claimed from KR1020180084270A external-priority patent/KR102103551B1/ko
Priority claimed from KR1020180084269A external-priority patent/KR102103548B1/ko
Application filed by 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to US16/335,235 priority Critical patent/US11475340B2/en
Publication of WO2019045320A1 publication Critical patent/WO2019045320A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • This disclosure relates to methods and electronic devices for predicting the electronic structure of a material.
  • Material properties such as metallicity and electrical conductivity are determined by the electronic structure of the material (for example, the structure of the energy band of electrons).
  • New materials are being developed through the method of understanding the physical properties of materials using the electronic structure of the material.
  • semiconductor materials are being developed using information on the band gap, which is the energy required for electrons to be excited from the home electronics to the conduction band level.
  • Chemical materials such as catalysts and secondary batteries are also being developed using electronic structures of materials.
  • Density of State is the most commonly used information for understanding the electronic structure of materials. Specifically, the electronic structure of the material can be grasped by graphing the state density according to energy, and the physical properties of the material can be grasped.
  • state density of a material is estimated by methods such as Empirical, Tight Binding, DFT, and Beyond DFT, and the electronic structure of the material is predicted by using the estimated state density.
  • DFT Density Functional Theory
  • the present disclosure seeks to provide a method and electronic device for predicting the electronic structure of a material.
  • the technical problem to be solved by this embodiment is not limited to the above-mentioned technical problems, and other technical problems can be deduced from the following embodiments.
  • a method of predicting an electronic structure of a first material comprising: receiving input data of a user relating to elements constituting the first material; Applying the received input data to a learning model for estimating a state density of the first material and outputting a first graph indicating a state density for each energy level of the first material outputted from the learning model
  • the learning model includes at least one of pre-input data for a plurality of second materials constituted by at least a part of a plurality of elements constituting the first material, and pre-input data for the energy level of each of the plurality of second materials
  • the learning model includes at least one of pre-input data for a plurality of second materials constituted by at least a part of a plurality of elements constituting the first material, and pre-input data for the energy level of each of the plurality of second materials
  • the learning model may be configured to transform each of the plurality of second graphs to a lattice image, and to generate at least one principal component vector representing characteristics of the first graph based on the plurality of grid images, And to generate the first graph based on the determined at least one principal component vector.
  • composition information includes an electronic occupancy rate of d-orbital d-orbital of each of a plurality of elements constituting the first material
  • learning model includes an electronic occupancy rate d- Based on the electronic occupancies of the orbitals, it may be learned to determine the coefficients of the at least one principal component vector.
  • the crystal structure information may include at least one of a coordination number of the first material and a mixing coefficient of the first material
  • the learning model may include at least one of the coordination number It may be learned to determine the coefficients of one principal component vector.
  • the learning model may further include: determining a similarity of each of the plurality of second materials and the first material, determining coefficients of the at least one principal component vector based on the determined similarity, and determining the determined at least one principal component And to produce the first graph based on the linear combination of the vector and the determined principal component vector coefficients.
  • the learning model may further include first composition information representing an electronic structure of each of a plurality of elements constituting the first material from input data of the received user, ), Acquiring second composition information and second crystal structure information of a third material, which is one of the plurality of second materials, from the learning data, and acquiring the obtained first composition information , The first crystal structure information, the second composition information, and the second crystal structure information to determine the degree of similarity between the first material and the third material.
  • the first composition information includes an electronic occupancy rate of d-orbital of each of a plurality of elements constituting the first material
  • the second composition information includes a d-orbital content of each of the d- Orbital
  • the learning model includes an electronic occupancy rate of d-orbital of each of a plurality of elements constituting the first material and an electronic occupancy rate of a d-orbital of each of a plurality of elements constituting the third material, And may be learned to determine the degree of similarity between the first material and the third material based on the occupancy.
  • the first crystal structure information includes the number of coordination of the first material and the mixing coefficient of the first material
  • the second crystal structure information includes a coordination number of the third material and a mixing coefficient of the third material
  • the learning model is based on the number of coordinates of the first material, the mixing coefficient of the first material, the number of coordinates of the third material, and the mixing coefficient of the third material, 3 It may be learned to determine the similarity of the material.
  • the learning model may further include a determination unit that determines a weight to be applied to a coefficient of a principal component vector of each of the plurality of second materials based on a degree of similarity between the first material and the third material, May be learned to determine the coefficients of at least one principal component vector used to generate the graph.
  • the learning model may generate an image vector representing the state density of the first material based on the linear combination of the determined at least one principal component vector and the determined coefficient of at least one principal component vector, Transformed image vector into a matrix and generate the first graph based on the transformed matrix.
  • the learning model may be learned to transform the matrix into a probability matrix indicating a probability of existence of density of states for each energy level, and to generate the first graph based on the transformed probability matrix.
  • an electronic device for predicting an electronic structure of a first material includes a user input unit for receiving user input data related to elements constituting the first material, A processor for applying the received input data to a learning model for estimating a state density of the first material and an output for outputting a first graph indicating a state density for each of the energy levels of the first material outputted from the learning model
  • the learning model includes at least one of pre-input data for a plurality of second materials constituted by at least a part of a plurality of elements constituting the first material, and pre-input data for a state of each energy level of the plurality of second materials And may be learned to generate the first graph based on a plurality of second graphs representing the density.
  • the learning model may be configured to transform each of the plurality of second graphs to a lattice image, and to generate at least one principal component vector representing a characteristic of the first graph based on the plurality of grid images in which the plurality of second graphs are transformed And to generate the first graph based on the determined at least one principal component vector.
  • the learning model may be configured to extract, from input data of the received user, composition information indicating an electronic structure of each of a plurality of elements constituting the first material and a crystal structure indicating a crystal structure of the first material Determining at least one of the at least one principal component vector based on at least one of the obtained composition information and the determined crystal structure information, and determining the determined at least one principal component vector and the determined coefficient of the principal component vector And may be learned to generate the first graph based on linear combination.
  • composition information includes an electronic occupancy rate of d-orbital d-orbital of each of a plurality of elements constituting the first material
  • learning model includes an electronic occupancy rate d- Based on the electronic occupancies of the orbitals, it may be learned to determine the coefficients of the at least one principal component vector.
  • the crystal structure information may include at least one of a coordination number of the first material and a mixing coefficient of the first material
  • the learning model may include at least one of the coordination number It may be learned to determine the coefficients of one principal component vector.
  • the learning model may further include: determining a similarity of each of the plurality of second materials and the first material, determining coefficients of the at least one principal component vector based on the determined similarity, and determining the determined at least one principal component And to produce the first graph based on the linear combination of the vector and the determined principal component vector coefficients.
  • the learning model may further include first composition information indicating an electronic structure of each of a plurality of elements constituting the first material from the input data of the received user and a first composition information indicating a crystal structure of the first material Acquiring first crystal structure information, acquiring second composition information and second crystal structure information of a third material, which is one of the plurality of second materials, from the learning data, Based on the first crystal structure information, the second crystal composition information, the second crystal structure information, and the second crystal structure information.
  • the first composition information includes an electronic occupancy rate of d-orbital of each of a plurality of elements constituting the first material
  • the second composition information includes a d-orbital content of each of the d- Orbital
  • the learning model includes an electronic occupancy rate of d-orbital of each of a plurality of elements constituting the first material and an electronic occupancy rate of a d-orbital of each of a plurality of elements constituting the third material, And may be learned to determine the degree of similarity between the first material and the third material based on the occupancy.
  • the first crystal structure information includes the number of coordination of the first material and the mixing coefficient of the first material
  • the second crystal structure information includes a coordination number of the third material and a mixing coefficient of the third material
  • the learning model is based on the number of coordinates of the first material, the mixing coefficient of the first material, the number of coordinates of the third material, and the mixing coefficient of the third material, 3 It may be learned to determine the similarity of the material.
  • the learning model may further include a determination unit that determines a weight to be applied to a coefficient of a principal component vector of each of the plurality of second materials based on a degree of similarity between the first material and the third material, May be learned to determine the coefficients of at least one principal component vector used to generate the graph.
  • the learning model may generate an image vector representing the state density of the first material based on the linear combination of the determined at least one principal component vector and the determined coefficient of at least one principal component vector, Transformed image vector into a matrix and generate the first graph based on the transformed matrix.
  • the learning model may be learned to transform the matrix into a probability matrix indicating a probability of existence of density of states for each energy level, and to generate the first graph based on the transformed probability matrix.
  • a non-temporary recording medium which can be read by a computer may be a program recording a program for causing a computer to execute an embodiment of the disclosed method.
  • FIG. 1 is a diagram illustrating an example of a method for predicting the electronic structure of a workpiece, according to one embodiment.
  • FIG. 2 is a flow diagram of a method for predicting the electronic structure of a workpiece, according to one embodiment.
  • FIG. 3 is a flow diagram of a method for machine learning data for predicting an electronic structure of a material, in accordance with an embodiment.
  • FIG. 4 is a conceptual diagram illustrating a method for machine-running data for predicting an electronic structure of a work according to an embodiment.
  • FIG. 5 is a diagram showing conversion of a state density graph for each energy level of a material converted into a grid image into recognition data for application to a learning model, according to an embodiment.
  • FIG. 6 is a conceptual diagram illustrating determination of a principal component vector for a graph of state density for a plurality of energy levels of a plurality of materials input as learning data, according to an embodiment.
  • FIG. 7A is a flowchart of a method of generating a state density graph for each energy level of a material, according to an embodiment.
  • 7B is a flowchart of a method of determining a coefficient of a principal component vector for generating a state density graph for each energy level of a material, according to an embodiment.
  • FIG. 8 is a conceptual diagram illustrating a method of generating a state density graph for each energy level of a work according to an embodiment.
  • 9A and 9B are graphs showing the relationship between the coefficient of principal component and the electronic occupancy rate of d-orbitals, according to one embodiment.
  • 10A is a table showing the number of coordination, the mixing coefficient, and the electronic occupancy rate of d-orbital of elements corresponding to each of the materials, according to an embodiment.
  • FIG. 10B is a graph showing the relationship between the coefficient of principal component and the number of electrons, the number of coordination, and the mixing coefficient of d-orbital according to one embodiment.
  • FIG. 11 is a view showing the similarity of materials composed of at least one of the elements constituting the material and the material for predicting the electronic structure according to an embodiment.
  • FIG. 12A illustrates a method of determining a coefficient of a principal component vector based on a similarity of materials composed of at least one of elements constituting a material and a material to predict an electronic structure according to an embodiment.
  • 12B is a table showing the number of coordination, the mixing coefficient, and the electronic occupancy rate of the d-orbital of the elements corresponding to each of the materials, according to one embodiment.
  • FIG. 13 shows a probability matrix for estimating a state density graph for each energy level of a work according to an embodiment.
  • FIGS. 14A to 14F are graphs of a state density graph for each energy level estimated using a learning model and a state density graph for each estimated energy level according to DFT, according to an embodiment.
  • FIGS. 15A and 15B are views for comparing the result of generating the graph of the state density for each estimated energy level according to one embodiment and the result of generating the estimated energy-state density graph according to the DFT.
  • 16 is a block diagram of an electronic device, in accordance with one embodiment.
  • 17 is a block diagram of a control portion of an electronic device, in accordance with one embodiment.
  • FIG. 18 is a block diagram of a server in conjunction with an electronic device, in accordance with one embodiment.
  • Some embodiments of the present disclosure may be represented by functional block configurations and various processing steps. Some or all of these functional blocks may be implemented with various numbers of hardware and / or software configurations that perform particular functions.
  • the functional blocks of the present disclosure may be implemented by one or more microprocessors, or by circuit configurations for a given function.
  • the functional blocks of the present disclosure may be implemented in various programming or scripting languages.
  • the functional blocks may be implemented with algorithms running on one or more processors.
  • the present disclosure may employ conventional techniques for electronic configuration, signal processing, and / or data processing, and the like. Terms such as " mechanism, " " element, " " means, " and " configuration " and the like are widely used and are not limited to mechanical and physical configurations.
  • connection lines or connection members between the components shown in the figures are merely illustrative of functional connections and / or physical or circuit connections. In practical devices, connections between components can be represented by various functional connections, physical connections, or circuit connections that can be replaced or added.
  • a material to be predicted of an electronic structure is described as a first material
  • a material composed of at least a part of a plurality of elements constituting the first material is described as a second material.
  • FIG. 1 is a diagram illustrating an example of a method for predicting the electronic structure of a workpiece, according to one embodiment.
  • an electronic device 1000 may receive data on elements constituting a material.
  • the electronic device 1000 can predict the electronic structure of the material based on the data input from the user.
  • the electronic device 1000 can output the prediction result of the electronic structure of the work.
  • the electronic device 1000 can receive data on the elements constituting the first material to predict the electronic structure.
  • the electronic device 1000 can receive data on a plurality of second materials as learning data to be applied to a learning model to predict an electronic structure of the first material.
  • the second materials may be composed of at least a part of a plurality of elements constituting the first material.
  • data on the elements constituting the first material input to the electronic device 1000 include data on the kinds of elements constituting the first material, the number of atoms, the number of electrons, the formula, empirical formula, and the like But is not limited thereto.
  • the electronic device 1000 may be configured to estimate the state density of a material by using data on the number of elements constituting the first material, the kind of the element, the number of atoms, the number of electrons, The electronic structure of the material can be predicted.
  • the learning model is based on a graph for predicting an electronic structure of a plurality of second materials corresponding to each of a plurality of pre-input data for elements constituting the first materials, It may be learned to generate a graph corresponding to the first material.
  • the learning model may include at least one of a plurality of second materials corresponding to at least one of a plurality of elements constituting the first material, Based on the graph, it may be learned to generate a state density graph for the energy level of the first material input from the user.
  • the electronic device 1000 is configured to calculate the number of atoms of the first material, the number of atoms, the number of electrons, the formula, and the empirical formula, You can create a graph to predict the electronic structure. For example, the electronic device 1000 can generate a state density graph for each energy level of the first material to predict the electronic structure of the first material, and output a graph of state density for each energy level of the generated first material can do.
  • FIG. 2 is a flow diagram of a method for predicting the electronic structure of a workpiece, according to one embodiment.
  • the electronic device 1000 may receive data relating to the elements that make up the material from the user. That is, the electronic device 1000 may receive data relating to the first material the user wants to predict the electronic structure from the user.
  • the electronic device 1000 may receive data from a user about the number of elements constituting the first material, the type of element, the number of atoms, the number of electrons, the formula and the empirical formula, .
  • the electronic device 1000 may apply data related to the elements constituting the first material received from the user to a learning model for predicting the electronic structure of the material.
  • the electronic device 1000 may be configured to estimate a state density of a material, such as the number of elements constituting the first material, the kind of the element, the number of atoms, the number of electrons, It can be applied to learning models.
  • a learning model for estimating the state density of the material will be described below with reference to Fig.
  • the electronic device 1000 may output the electronic structure prediction result of the first material output from the learning model.
  • the electronic device 1000 may output atomic structure information such as state density data of the first material and lattice constant of the first material from the learning model, but is not limited thereto.
  • the electronic device 1000 may output the state density data of the first material to the state density graph of the energy level of the material, but is not limited thereto.
  • the state density graph for each energy level of the first material output from the learning model may be generated based on the principal component determined in the learning model, but is not limited thereto.
  • the state density graph for each energy level of the first material output from the learning model may be generated based on the number of principal components determined based on the user's input data for the elements constituting the first material But is not limited thereto.
  • the state density graph for each energy level of the first material output from the learning model may be generated by a linear combination of at least one principal component vector and a coefficient of at least one principal component vector, but is not limited thereto.
  • the state density graph for each energy level of the first material output from the learning model may be generated based on Equation (1).
  • PC1 (E) is a first principal component vector representing a first principal component graph for each energy level of the first material
  • PC2 (E) is a first principal component vector representing a first principal component graph for the first material
  • PC3 (E) is a third principal component vector representing the third principal component graph for each energy level of the first material
  • PC4 (E) is a second principal component vector representing the second principal component vector for the energy level of the first material.
  • 1 is a coefficient of a first principal component vector
  • ? 2 is a coefficient of a second principal component vector
  • ? 3 is a coefficient of a third principal component vector
  • ? 1 is a coefficient of a second principal component vector
  • alpha 4 is the coefficient of the fourth principal component vector.
  • Figure 3 is a flow diagram of a method for machine-running data for predicting the electronic structure of a workpiece
  • Figure 4 is a flowchart of a method of machining data for predicting the electronic structure of a workpiece
  • the electronic device 1000 may receive learning data from a user to learn the criteria for the learning model to predict the electronic structure of the first material.
  • the electronic device 1000 learns data relating to a plurality of second materials constituted by at least a part of a plurality of elements constituting the first material and a result of predicting the electronic structure of the plurality of second materials Data can be received from the user.
  • the plurality of data related to the plurality of second materials may include, but is not limited to, the number of elements constituting each of the plurality of second materials, the kind of element, the number of atoms, the number of electrons, the formula and the empirical formula .
  • the result of predicting the electronic structure of each of the plurality of second materials may include the state density data of each of the plurality of second materials.
  • the state density data may include, but is not limited to, a state density graph for each energy level.
  • an electronic device 1000 is a learning data for predicting an electronic structure of a first material composed of elements A and B, and data related to a plurality of second materials composed of at least a part of elements A and B Can be received from the user.
  • the electronic device 1000 is a data relating to a plurality of the second material, the second material of the general formula in [A], [A 0. 75 B 0 .25], [A 0. 5 B 0. 5, you can receive the [a 0. 25 0 .75 B] and [B], and their energy level per state density graph (410a, 410b, 410c, 410d , 410e) from the user.
  • the electronic device 1000 can accurately predict the electronic structure of the first material as the number of learning data received from the user increases.
  • the electronic device 1000 may convert learning data received from a user into recognition data for application to a learning model.
  • the electronic device 1000 can be applied to the learning model using the converted recognition data.
  • the electronic device 1000 can convert the data related to the received plurality of second materials and the result of predicting the electronic structure of the plurality of second materials into recognition data for application to the learning model .
  • each of the graphs of state density for each energy level of a plurality of second materials may be converted into a grid image, but is not limited thereto.
  • the electronic device 1000 includes MxN (where M and N are natural numbers) of the state density graphs 410a, 410b, 410c, 410d, and 410e for the energy levels of the received second materials, ) Lattice image 411, as shown in Fig.
  • the electronic device 1000 may also convert the grid images 411 into MxN matrices.
  • electronic device 1000 may convert MxN matrices into image vectors 412.
  • the electronic device 1000 may determine a criterion for predicting the electronic structure of the first material using the recognition data applied to the learning model.
  • the electronic device 1000 may determine a criterion for predicting the electronic structure of the first material using the transformed plurality of grid images. Alternatively, the electronic device 1000 may determine a criterion for predicting the electronic structure of the first material using the matrices in which the grid images 411 are transformed. Alternatively, the electronic device 1000 may determine a criterion for predicting the electronic structure of the first material using the transformed image vectors 412 of the matrices.
  • a criterion for predicting the electronic structure of the first material may be a principal component vector for generating a state density graph for each energy level of the first material. Further, the electronic device 1000 can determine the coefficient of the principal component vector as a criterion for predicting the electronic structure of the first material. Also, the electronic device 1000 may be configured to have a coefficient of a principal component vector as a criterion for predicting the electronic structure of the first material, a d-orbital electron occupancy rate of each of a plurality of elements constituting the first material, coordination number, CN) of the first material and a mixing factor (Mixing Factor, F mix ) of the first material.
  • FIG. 5 is a diagram showing conversion of a state density graph for each energy level of a material converted into a grid image into recognition data for application to a learning model, according to an embodiment.
  • the electronic device 1000 may convert graphs of state density for each energy level of a plurality of second materials into a grid image composed of a predetermined number of grids.
  • the electronic device 1000 may include a grid having M horizontally and M gridlines (M is a natural number) and N vertical gratings (N is a natural number) for each of the density graphs of the energy levels of a plurality of second materials It can be converted into an image.
  • the electronic device 1000 may input data values to each of the gratings that make up the grid image. For example, in the electronic device 1000, a value of 1 is input to the grids corresponding to the state density function curves for the energy levels constituting the state density graph for the energy level of the second material among the gratings constituting the grating image And a value of 0 can be input to the remaining grids.
  • electronic device 1000 may convert a grid image to a matrix.
  • the electronic device 1000 may convert an MxN lattice image to an MxN matrix by inputting the data values input into each of the plurality of gratings into the components of the corresponding matrix.
  • the matrix represents the state density of the second material, which is input as learning data.
  • the electronic device 1000 may convert the MxN matrix to an image vector.
  • the image vector represents the state density of the second material, which is input as learning data, for each energy level.
  • the electronic device 1000 sequentially assigns values input from the upper left to the lower right of the MxN matrix to a 1xL matrix (L means a result obtained by multiplying the natural number M by the natural number N) ,
  • the MxN matrix can be transformed into an image vector 412.
  • FIG. 6 is a conceptual diagram illustrating determination of a principal component vector for a state density graph for each energy level of a plurality of materials input as learning data, according to an exemplary embodiment.
  • electronic device 1000 may determine at least one principal component vector for a state density graph per energy level as a criterion for predicting the electronic structure of the first material.
  • the electronic device 1000 generates a state density graph for each energy level of the first material by using the data on the received plurality of second materials and the state density data of each of the plurality of second materials (V1, v2) vector to be determined.
  • the electronic device 1000 may determine at least one principal component vector using a covariance for state density data for each energy level of a plurality of second materials.
  • the state density data of the second material may include, but is not limited to, a state density graph for each energy level.
  • electronic device 1000 includes a first learning data (Data1) material [A 25 B 75] data and material [A 25 B 75] of the energy level by state density graph, second learning data (Data2 related to a ) as a material [a 50 B 50] data and material [a 50 B 50] of the energy level by state density graph, and the third training data (Data3) material [A7 5 B 25] data and material [a related to a related 75 B 25 ] as the input data from the user.
  • Data1 learning data material [A 25 B 75] data and material [A 25 B 75] of the energy level by state density graph
  • second learning data Data2 related to a
  • Data3 third training data
  • the electronic device 1000 may convert each of the data associated with the input second materials into recognition data for application to the learning model. For example, the electronic device 1000 may convert a state density graph for each energy level of each of a plurality of second materials into a grid image. The electronic device 1000 may convert a plurality of grid images into a matrix.
  • the electronic device 1000 may convert each of the plurality of matrices into an image vector. For example, referring to FIG. 4, the electronic device 1000 may convert each of a plurality of state density graphs 410a, 410b, 410c, 410d, and 410e for each of a plurality of energy levels to an MxN grid image 411. FIG. The electronic device 1000 may also convert the grid image 411 to an M x N matrix. In addition, the electronic device 1000 may convert the MxN matrix into an image vector 412. According to one embodiment, electronic device 1000 may determine at least one principal component vector for a plurality of energy density state density graphs based on a plurality of matrices or a plurality of image vectors.
  • the electronic device 1000 can calculate the covariance using a plurality of matrix-transformed image vectors. For example, the electronic device 1000 may determine a principal component vector by performing principal component analysis (PCA) on a plurality of matrices or a plurality of image vectors.
  • PCA principal component analysis
  • the electronic device 1000 may calculate the covariance of the transformed matrix or a plurality of image vectors.
  • the electronic device 1000 may calculate at least one eigenvector and at least one eigenvalue based on the calculated covariance.
  • the electronic device 1000 can determine the calculated at least one eigenvector as a principal component vector.
  • the electronic device 1000 may generate a covariance matrix 420 using a plurality of matrix-transformed image vectors 412.
  • the electronic device 1000 may calculate at least one eigenvector 430a, 430b, 430c, 430d and at least one eigenvalue (? 1,? 2,? 3,? 4) from the covariance matrix.
  • the electronic device 1000 may determine at least one principal component vector using the calculated at least one eigenvector 430a, 430b, 430c, 430d and at least one eigenvalue (? 1,? 2,? 3,? 4).
  • the electronic device 1000 can graphically represent each input data for a plurality of input second materials. Each of the plurality of circles displayed on the graph may correspond to each of a plurality of learning data (Data1, Data2, Data3) input from the user.
  • the electronic device 1000 may determine variance values (sigma 1, sigma 2) for graphs of state density for a plurality of energy levels from a graph.
  • the electronic device 1000 can determine the principal component (v1, v2) vectors for the state density graphs for the plurality of energy levels based on the determined dispersion values (? 1,? 2). For example, the variance value (2) in the right upward direction of the graph is smaller than the variance value (1) in the left upward direction of the graph.
  • the electronic device 1000 can determine the principal component v1 vector in the upward direction as the first principal component vector, and determine the principal component v2 vector in the left upward direction as the second principal component vector.
  • FIG. 6 shows the determination of two principal component vectors, this is only to illustrate the determination of the principal component vector, but is not limited thereto.
  • the electronic device 1000 may determine a principal component vector for generating a state density graph for each energy level of the first material using the calculated at least one eigenvector and at least one eigenvalue. For example, the electronic device 1000 can determine, as a principal component vector, an eigenvector having a higher priority in order of eigenvalues among the calculated eigenvectors.
  • the electronic device 1000 can determine the number of principal component vectors for generating a state density graph for each energy level of the first material as a reference for predicting the electronic structure of the first material.
  • the number of principal component vectors can be determined based on a plurality of data for a plurality of elements constituting the first material, but is not limited thereto.
  • the number of principal component vectors may be determined based on, but not limited to, the number of elements constituting the first material, the kind of element, the number of atoms, the number of electrons, the formula and empirical formula.
  • the number of principal component vectors may be determined based on data for a plurality of second materials input as learning data, but is not limited thereto.
  • the electronic device 1000 can be classified into two types according to the energy level of the first material based on the number of elements, the kind of element, the number of atoms, the number of electrons,
  • the number of principal component vectors for generating the state density graph can be determined as 2 to 4.
  • the electronic device 1000 may determine a principal component vector corresponding to a dimension having a small dispersion value as a principal component vector for generating a state density graph for each energy level based on the determined number of principal component vectors.
  • the electronic device 1000 may determine the coefficients of the principal component vector as a criterion for predicting the electronic structure of the first material.
  • the electronic device 1000 compares the state density graph for each energy level of the generated first material with the graph of the state density for each energy level of a plurality of second materials included in the learning data,
  • the coefficient of at least one principal component vector representing the characteristic can be determined.
  • PC1, PC2, PC3, PC4 based on at least one of the electronic occupancy of the d-orbital of the elements constituting the first material, the coordination number of the first material, and the first mixing coefficient,
  • the coefficients? 1,? 2,? 3,? 4 can be determined.
  • a method of determining the coefficients of each of the principal component vectors will be described in detail below with reference to Figs. 9A to 9B.
  • FIG. 7A is a flowchart of a method of generating a state density graph for each energy level of a material according to an embodiment
  • FIG. 8 is a diagram illustrating a method of generating a state density graph for each energy level of a material according to an embodiment .
  • the electronic device 1000 can generate and output a state density graph for each energy level of the first material in order to predict the electronic structure of the first material.
  • the electronic device 1000 may determine at least one principal component vector for generating a state density graph for each energy level of the first material.
  • the electronic device 1000 performs principal component analysis (PCA) on a plurality of matrixes or a plurality of image vectors into which a state density graph for each of a plurality of energy levels inputted as learning data is transformed, thereby generating at least one principal component vector You can decide.
  • the electronic device 1000 may calculate at least one eigenvector and at least one eigenvalue from a covariance matrix generated using a plurality of image vectors.
  • the electronic device 1000 may determine at least one principal component vector using the calculated eigenvectors and eigenvalues. The method of determining the main component of the electronic device 1000 has been described above with reference to FIG. 6, so redundant contents are omitted.
  • the electronic device 1000 may determine the coefficients of the at least one principal component vector determined in step 710.
  • the first coefficient means a coefficient for expressing the state density characteristic of the first material with respect to the energy level with respect to at least one principal component vector determined in step 710.
  • the second coefficient means a coefficient for expressing the state density characteristic of the second material with respect to the energy level for at least one principal component vector determined in step 710. The first coefficient and the second coefficient are used only for distinguishing each other, and therefore should not be limited thereto.
  • electronic device 1000 may determine a first coefficient of at least one principal component vector by applying data associated with a first material received from a user to a learning model.
  • the electronic device 1000 may determine a first coefficient of at least one principal component vector based on atomic structure information of the first material.
  • the atomic structure information of the first material includes composition information representing an electronic structure of each of a plurality of elements constituting the first material, and composition information representing a crystal structure of the first material And may include structural information.
  • the compositional information may include the d-orbital electron occupation rate (n d ) of the element.
  • the crystal structure information may include a coordinate number (CN) and a mixing factor (F mix ).
  • the electronic occupancy rate of the d-orbitals will be described in detail below with reference to Figs. 9A and 9B.
  • the coordination number and the mixing coefficient will be described in detail below with reference to Fig. 10A.
  • the electronic device 1000 may determine a second coefficient of the principal component vector determined in step 710 from the data for the second material input as training data.
  • the electronic device 1000 can estimate the relationship between the determined second coefficient and the composition information of the second material.
  • the electronic device 1000 can estimate the relationship between the determined second coefficient and the crystal structure information of the second material.
  • the relationship between the second coefficient and the composition information of the second material can be estimated by the linear graph 830.
  • the relationship between the second coefficient and the crystal structure information of the second material can be estimated by the linear graph 830.
  • electronic device 1000 may determine a first coefficient of a principal component vector from an estimated relationship. Referring to FIG. 8, for example, the electronic device 1000 may determine a first coefficient ⁇ 'by performing linear interpolation on the linear graph 830. In this case, the electronic device 1000 generates a second coefficient (? 0 ,?) For the composition information (x 0 , x 1 ) of second materials similar to the composition information (x ' 1 ) based on the first coefficient ⁇ '. Electronic device 1000 can estimate a second coefficient ( ⁇ 0, ⁇ 1) for the composition data (x 0, x 1) of a second material with a linear graph 830.
  • the electronic device 1000 can determine the first coefficient alpha 'corresponding to the composition information x' of the first material by performing linear interpolation on the linear graph 830.
  • the linear interpolation method can also be applied to a method of determining the first coefficient corresponding to the crystal structure of the first material based on the relationship between the crystal structure information of the second material and the second coefficient.
  • the electronic device 1000 estimates the relationship between the second coefficients and the d-orbital electron occupation rate (n d ) of the d-orbital of each of the second materials as a linear relationship as shown in Figs. 9A and 9B .
  • the electronic device 1000 also has a relationship between the electronic occupancy rate of the d-orbital of each of the second materials, the coordinate number of each of the second materials, and the mixing coefficient and the second coefficient of each of the second materials, Can be estimated as a linear relationship.
  • the electronic device 1000 may determine weights to be applied to each of the composition information and the crystal structure information.
  • the electronic device 1000 can determine a weight to be applied to each of the composition information and the crystal structure information based on the kind of the element constituting the first material.
  • the electronic device 1000 can determine the first coefficient by applying the determined weight to each of the composition information and the crystal structure information.
  • the electronic device 1000 may determine a weight to be applied to the electronic occupancy rate of the d-orbital of the first material, a weight to be applied to the number of coordinates of the first material, and a weight to be applied to the mixing coefficient of the first material.
  • the electronic device 1000 further includes a first coefficient corresponding to the electronic occupation rate of the d-orbitals of the first material to which the weight is applied, a first coefficient corresponding to the coordinate number of the first material, By linearly combining the first coefficients, a first coefficient for generating a state density graph for each energy level of the first material can be determined.
  • the electronic device 1000 may generate an image vector 850 that represents the state density of the first material by energy level based on the principal component vector determined in step 710 and the coefficient of the principal component vector determined in step 730 have.
  • electronic device 1000 may generate an image vector 850 by linearly combining the coefficients of at least one principal component vector and principal component vector, as shown in equation (1).
  • the first material image vector 850 is A 1xL matrix (where L means a result obtained by multiplying a natural number M by a natural number N).
  • the electronic device 1000 may store the generated image vector 850 in a temporary storage (e.g., Random Access Memory (RAM)). Or electronic device 1000 may store the generated image vector 850 in a non-transitory storage device (e.g., data storage). The electronic device 1000 may generate a state density graph for the energy level of the first material using the stored image vector 850.
  • a temporary storage e.g., Random Access Memory (RAM)
  • a non-transitory storage device e.g., data storage
  • the electronic device 1000 may generate a state density graph for the energy level of the first material using the stored image vector 850.
  • the electronic device 1000 generates a state density graph 890 for the energy level of the first material as a reference for predicting the electronic structure of the first material based on the generated image vector 850 .
  • the electronic device 1000 may convert the image vector 850 of the first material generated in step 750 into a matrix.
  • the electronic device 1000 may convert an image vector 850 of the first workpiece into a matrix MxN in the form of a 1xL matrix (where L means a product of the natural number M and the natural number N).
  • the electronic device 1000 can convert the first material image vector 850 into an MxN matrix by sequentially substituting the values contained in the 1xL matrix into the upper left and upper right components of the MxN matrix.
  • the matrix represents the density of states of the first material by energy level.
  • the electronic device 1000 may generate a state density graph for each energy level of the first material by converting the MxN matrix into an MxN grid image.
  • the electronic device 1000 may convert the MxN matrix into an MxN grid image by inputting the data values input to each of the entities of the MxN matrix into each grid of the corresponding MxN grid image.
  • the electronic device 1000 may transform the M x N grid image into a state density graph 890 by energy level of the first material. For example, the electronic device 1000 converts a grid having a value of 0 out of the data values input to each grid of the MxN grid image into an area 892 in which there is no state density function curve for each energy level, The non-value lattice can be transformed into the region 891 where the state density function curve for each energy level exists.
  • electronic device 1000 may convert an MxN matrix to an MxN probability matrix 870 and an MxN probability matrix 870 to an MxN grid image.
  • the electronic device 1000 converts an MxN matrix to an MxN probability matrix 870, thereby removing negative data values of data values input to each of the MxN matrix entities, and correcting the energy level of the first material You can create a star state density graph.
  • the method by which the electronic device 1000 converts the MxN matrix to the MxN probability matrix will be described in detail below with reference to FIG.
  • 7B is a flowchart of a method of determining a coefficient of a principal component vector for generating a state density graph for each energy level of a material, according to an embodiment.
  • the electronic device 1000 may obtain the composition information and the crystal structure information of the first material from the input data received from the user.
  • the first material may be a material composed of platinum, nickel and copper [Cu 0 . 03 Ni 0 . 03 may be a Pt 0 .94] or [Cu 0.31 Ni 0.31 Pt 0.38] .
  • the compositional information of the first material includes the electronic occupancy rate (n d, pt ) of the d-orbital of platinum, the electronic occupation rate (n d, ni ) of the d- orbital of nickel and the electronic occupation rate ).
  • the electronic occupancy rate of the d-orbitals will be described in detail below with reference to Figs. 9A and 9B.
  • the crystal structure information of the first material may include a coordinate number (CN) of the first material and a mixing factor (F mix ).
  • CN coordinate number
  • F mix mixing factor
  • the electronic device 1000 can obtain composition information and crystal structure information of a plurality of second materials from the learning data.
  • the electronic device 1000 can obtain composition information and crystal structure information of each of a plurality of second materials from data on a plurality of second materials input as learning data.
  • the electronic device 1000 can obtain composition information and crystal structure information of each of a plurality of second materials similar to the first material.
  • the electronic device 1000 may include a first material [Cu 0 . 03 Ni 0 . 03 Pt 0 .
  • the second material [Ni 0 similar to 94. 25 Pt 0 .75], [Cu 0. 25 Pt 0 .75], and [Pt] is able to obtain information about each composition and crystal structure information. That is, the electronic device 1000 is configured such that [Ni 0 . 25 Pt 0 . Orbital of each Ni and Pt constituting [Ni 0 .75 ] . 25 Pt 0 . 75 ] and the mixing coefficient can be obtained.
  • the electronic device 1000 may include [Cu 0 . 25 Pt 0 .
  • the electronic occupancy rate of the d-orbitals of each of Cu and Pt, [Cu 0 . 25 Pt 0 . 75 ] and the mixing coefficient can be obtained. Also, the electronic device 1000 can acquire the electronic occupancy rate and the mixing coefficient of d-orbitals of [Pt] to 1 and obtain the coordination number of [Pt].
  • the electronic device 1000 compares the first composition information of the first material and the second composition information of each of the plurality of second materials, and compares the first crystal structure information of the first material and the second composition information of the plurality of second materials
  • the similarity of each of the plurality of second materials and the first material can be determined by comparing the second crystal structure information of the two materials.
  • the electronic device 1000 may include a first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the second material [Ni 0 . 25 Pt 0 .75], [Cu 0. 25 Pt 0 .75], and [Pt] may be compared to each composition information. That is, the electronic device 1000 includes the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94] e share and the second material of platinum, nickel and copper, each of the d- orbitals constituting the [Ni 0. 25 Pt 0 . 75 ] of the d-orbitals of platinum and nickel can be compared. Further, the first material [Cu 0 . 03 Ni 0 .
  • the electronic device 1000 may be configured such that the composition information of the first material [Cu 0.03 Ni 0.03 Pt 0.94 ] and the composition information of the second material [Ni 0 . 25 Pt 0 .75], [Cu 0. 25 Pt 0 .75], and [Pt] may be compared to each of the crystal structure information. That is, the electronic device 1000 has the coordination number and mixing coefficient of the first material [Cu 0.03 Ni 0.03 Pt 0.94 ] and the coordination number of the second material [Ni 0 . 25 Pt 0 . 75 ] and the mixing coefficient can be compared. In addition, the electronic device 1000 includes the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 .
  • the electronic device 1000 includes the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] can be compared with the coordination number of the second material [Pt] and the mixing coefficient.
  • the electronic device 1000 may compare the composition information of the first material with the composition information of each of the plurality of second materials, and the result of comparing the crystal structure information of the second material with the composition information of each of the plurality of second materials The degree of similarity between each of the plurality of second materials and the first material can be determined based on the result of the comparison of the crystal structure information.
  • the electronic device 1000 may calculate the square of the difference between the first composition information of the first material and the second composition information of each of the plurality of second materials, the first crystal structure information of the first material, The degree of similarity between each of the plurality of second materials and the first material can be determined by linearly combining square values of the differences of the second crystal structure information of each of the second materials.
  • the similarity of the first material and the third material, which is one of the plurality of second materials, can be determined as shown in Equation (2).
  • i is an index indicating the first material
  • j is an index indicating the third material
  • A, B and C represent elements constituting the first material.
  • Means the electronic occupation rate of the d-orbitals of the element A of the first material Represents the electronic occupation rate of the d-orbitals of the element B of the first material
  • Means the electronic share of the d-orbitals of the element A of the third material Refers to the electronic occupation rate of the d-orbitals of element B of the third material, Means the electronic share of the d-orbitals of the C element of the third material.
  • Means the mixing coefficient of the first material Means the mixing coefficient of the third material. Is a value obtained by normalizing the number of coordinates of the first material, Is a value obtained by normalizing the number of coordination of the third material.
  • the number of coordination of the material can be normalized by dividing the number of coordination of the material by 12, which is the maximum coordination number.
  • Equation (2) it is assumed that the number of elements constituting the first material is three. However, the number of elements constituting the first material is four or more. That is, the degree of similarity between the first material and the third material, which is one of the plurality of second materials, can be determined by finding the square value of the difference in the electronic occupancy of the d-orbital corresponding to the number of elements.
  • the electronic device 1000 may determine a coefficient of at least one principal component vector based on the determined similarity.
  • the electronic device 1000 may determine the weight of each of the plurality of second materials based on the degree of similarity between the first material and the plurality of second materials determined in step 735.
  • the electronic device 1000 can determine the weight of each of the plurality of second materials as shown in Equation (3).
  • X, Y and Z represent a third material of the plurality of second materials
  • i represents a third material for determining a weight among the plurality of second materials X, Y and Z
  • Equation (3) shows a case where a plurality of second materials are three, it can be similarly applied to four or more second materials.
  • the electronic device 1000 can determine the first coefficient of the first material by linearly combining the determined weight and the coefficient of the principal component vector of each of the plurality of second workpieces.
  • the electronic device 1000 may determine a first coefficient of the first material as shown in equation (4).
  • k denotes an index of the principal component vector
  • Is a weight applied to the second material X Denotes a weight applied to the second material Y
  • Equation (4) a case in which a plurality of second materials are three is shown, but the invention is similarly applicable to four or more second materials.
  • the electronic device 1000 can generate an image vector of the first material based on the determined first coefficient of the first material and generate a state density graph for the energy level of the first material. Since the method of generating the image vector of the first material has been described in step 750 of FIG. 7A, redundant contents are omitted. Since the method of generating the state density graph for each energy level of the first material has been described in step 770 of FIG. 7A, redundant description is omitted.
  • 9A and 9B are graphs showing the relationship between the coefficients of the principal component vector and the electronic occupancy rate of the d-orbital, according to an embodiment.
  • 9A is a graph showing the relationship between the electronic occupancy rate of d-orbital of Cu and the coefficient of each of the four principal component vectors
  • FIG. 9B is a graph showing the relationship between the electronic occupation rate of d- orbital of Ni and the coefficient of each of the four principal component vectors .
  • the electronic device 1000 can determine the coefficient of the principal component vector based on the composition information indicating the electronic structure of each of the plurality of elements constituting the work.
  • the composition information may include the electronic occupation rate of the d-orbital of each of a plurality of elements constituting the material.
  • the electronic occupancy rate of d-orbitals is the ratio of the number of d-orbital electrons contained in a material to the number of d-orbital electrons contained in one element constituting the material.
  • the number of d-orbital electrons of A is a
  • the number of d-orbital electrons of B is b
  • the number of atoms of A is x
  • the number of atoms of B is y
  • the electronic occupation rate n d, A [A x B y ] of the d-orbital of A in the material [A x B y ] can be calculated by the following equation (5).
  • the electronic occupation rate n d, B [A x B y ] of the d-orbital of B in the material [A x B y ] can be calculated by the equation (6).
  • the electronic arrangement of Cu is [Ar] 3d 10 4s 1 and the electronic arrangement of Ni is [Ar] 3d 8 4s 2 ,
  • the number of electrons is 10, and the number of d-orbital electrons of Ni is 8.
  • the atomic number of 50 Cu, the atomic number of Ni material is 50 [Cu 50 Ni 50] e share of Cu of the d- orbitals n d, in Cu [Cu 50 Ni 50] is 0.67, and of Ni of the d- orbitals
  • the electronic occupation rate n d, and Ni [Cu 50 Ni 50 ] become 0.33.
  • the electronic device 1000 includes at least one principal component vector and at least one principal component vector from the state density graph for each energy level of the plurality of second materials, Lt; / RTI >
  • the electronic device 1000 can obtain the electronic occupancy rate of the d-orbital, which is the composition information of each of the plurality of second materials, from the data related to the plurality of second materials.
  • the electronic device 1000 can estimate the relationship between the electronic occupancy rate of the d-orbital of each of the plurality of second materials and the second coefficient of the principal component vector.
  • the electronic device 1000 can obtain the relationship between the electronic occupancy rate (n d, Cu ) of the d -orbital of Cu of each of a plurality of second materials made of Cu and Ni and the second coefficient, Can be estimated by a graph.
  • the electronic device 1000 when the electronic occupancy rate of the d-orbital of Cu is 1, the occupancy rate of the d-orbital of Cu is 0.8, the occupancy rate of the d-orbital of Cu is 0.6, The second coefficient of each of the principal component vectors corresponding to the case where the electronic occupancy rate of the d-orbital of Cu is 0 can be determined.
  • the electronic device 1000 can estimate the relationship between the electronic occupancy rate (n d, Cu ) of the d -orbital of Cu and the second coefficient by a line graph by connecting the determined second coefficients with a line.
  • the electronic device 1000 estimates the relationship between the second occupancy rate (n d, Ni ) of the d -orbital electronic occupation rate (n d, Ni ) of each of the plurality of second materials made of Cu and Ni by using a linear graph .
  • the electronic device 1000 can obtain the relationship between the second occupancy rate (n d, Ni ) of the electronic occupancy rate (n d, Ni ) of the d- orbital of Ni of each of a plurality of second materials composed of Cu and Ni, Can be estimated by a graph.
  • the electronic occupancy rate of the d-orbital of Ni when the electronic occupancy rate of the d-orbital of Ni is 1, the occupancy rate of the d-orbital of Ni is 0.8, and the electronic occupancy rate of the d-orbital of Ni is 0.6,
  • the second coefficient of each of the principal component vectors corresponding to the case where the electronic occupancy rate of d-orbital of Ni is 0 can be determined.
  • the electronic device 1000 can estimate the relationship between the second occupancy rate (n d, Ni ) of the d -orbital of Ni and the second coefficient by connecting the determined second coefficients with a line.
  • the electronic occupation rate (n d, Ni ) of the d-orbital of Ni is opposite to the electronic occupation rate (n d, Cu ) of the d -orbital of Cu . Therefore, the electronic occupation rate of the d-orbital of each element constituting the material is the electronic occupancy rate of the d-orbital of the material.
  • the electronic device 1000 estimates the relationship between the second occupancy rate (n d, Ni ) of the d -orbital electronic occupation rate (n d, Ni ) of each of the plurality of second materials made of Cu and Ni by using a linear graph .
  • Electronic device 1000 may determine a first coefficient of principal component vector from the estimated relationship. For example, the electronic device 1000 can determine a first coefficient corresponding to the electronic occupancy of the d-orbital of the first material by performing linear interpolation on the linear graph. The method of determining the first coefficient corresponding to the electronic occupancy rate of the d-orbital of the first material by performing the linear interpolation method is described above with reference to the step 730 of Fig. 7, so that redundant contents are omitted .
  • the first coefficient of the correct principal component vector can be determined from the relationship between the electronic occupancy rate of the d-orbital of the elements constituting the first material and the coefficient of the principal component vector.
  • FIG. 10A is a table showing the number of coordination corresponding to each of the materials, the mixing coefficient, and the electronic occupancy rate of the d-orbital of each of the elements constituting the material according to the embodiment
  • Fig. 10B is a table showing, Orbital, the number of coordination and the mixing coefficient of the d-orbitals.
  • the crystal structure information may include the number of coordination and the mixing coefficient.
  • Coordinate number means the number of bonds in which one metal atom in the compound is bonded on average, and is defined as the number of all bonds between two elements constituting the work divided by the total number of atoms in the radius of the shared atom .
  • the number of coordination is 12 in case of face centered cubic (fcc) and the number of coordination is 8 in case of body centered cubic structure (bcc)) depending on the number of coordination .
  • the mixing factor (F mix ) is defined as the ratio of the total number of bonds between the elements constituting the material to the number of bonds between the other elements. For example, the number of bonds (AA) between the element A and the element A, the number of bonds AB between the element A and the element B, and the bond (BB) between the element B and the element B in the material composed of the elements A and B, And the ratio of the number of bonds (AB) between the element A and the element B is the mixing coefficient of the material. That is, as the two elements constituting the material are well mixed, the mixing coefficient approaches to 1, and the mixing coefficient approaches 0 when the mixing is not performed well. If the material is a pure metal consisting of one element, the mixing factor is defined as zero.
  • the electronic device 1000 can obtain the number of coordination of the first material, the mixing coefficient, and the electronic occupation rate of the d-orbital with respect to Cu and Fe, which are elements constituting the first material.
  • the electronic device 1000 may include a first material [Cu 0 . 375 Fe 0 . 625 ], the mixing coefficient of the first material [Cu 0 . 375 Fe 0 . 625 ] can obtain the electronic occupation rate of d-orbitals for Cu and Fe.
  • the electronic device 1000 can receive data related to a plurality of second materials from the user as learning data.
  • the electronic device 1000 can be made of a material [Cu], [Cu 0 . 75 Fe 0 .25 ], [Cu 0 . 5 Fe 0 .5 ], [Cu 0 . 25 Fe 0 .75] And [Fe] can be received.
  • the electronic device 1000 includes a material [Cu], a [Cu 0 . 75 Fe 0 .25 ], [Cu 0 . 5 Fe 0 .5 ], [Cu 0 . 25 Fe 0 .75] And [Fe] can be received.
  • the electronic device 1000 extracts material [Cu], [Cu 0 .
  • the electronic device 1000 includes a material [Cu], a [Cu 0 . 75 Fe 0 .25 ], [Cu 0.5 Fe 0.5 ], [Cu 0 . 25 Fe 0 .75] And [Fe], and the coefficient of the principal component vector can be estimated. Further, the electronic device 1000 can be made of a material [Cu], [Cu 0 . 75 Fe 0 .25 ], [Cu 0 . 5 Fe 0 .5 ], [Cu 0.25 Fe 0.75 ] And [Fe], respectively, and the coefficient of the principal component vector. Further, the electronic device 1000 can be made of a material [Cu], [Cu 0 . 75 Fe 0 .25 ], [Cu 0 .
  • the relationship between the electronic occupancy rate of the d-orbital for Cu and Fe and the coefficient of the principal component vector can be estimated.
  • the electronic device 1000 estimates each of the estimated relations as a linear relationship, and can express it as a linear graph.
  • the electronic device 1000 can determine a first coefficient by performing linear interpolation on a linear graph for a plurality of second materials similar to the first material.
  • the electronic device 1000 may include a first material [Cu 0 . 375 Fe 0 . 625 ] and the second material [Cu 0.5 Fe 0.5 ] and [Cu 0 . 25 Fe 0 . 75 ], a linear interpolation method is applied to the first material [Cu 0 . 375 Fe 0 . (N d . Fe ) corresponding to the electronic occupation rate of the d-orbitals of the first material [Cu 0. 625 ] . 375 Fe 0 . (F mix ) corresponding to the mixing coefficient of the first material [Cu 0.375 Fe 0.625 ] and the first coefficient [alpha] (CN) corresponding to the coordinate number of the first material [ 625 ].
  • the electronic device 1000 includes a second material [Cu 0 . 5 Fe 0 . 5 ] and the coefficient of the principal component vector corresponding to [Cu 0 . 25 Fe 0 . 75 ] are connected by a straight line and the linear interpolation is performed, the first material [Cu 0 . 375 Fe 0 . (CN) corresponding to the coordination number of the first coordinate ( 625 ).
  • the electronic device 1000 has a second material [Cu 0 . 5 Fe 0 . 5 ] and the coefficient of the principal component vector corresponding to [Cu 0 . 25 Fe 0 . 75 ] are connected by a straight line, and the linear interpolation is performed, so that the first material [Cu 0 . 375 Fe 0 . (F mix ) corresponding to the blending coefficient of the first set of coefficients [alpha], [beta], [ 625 ].
  • the electronic device 1000 has a second material [Cu 0 . 5 Fe 0 . 5] of the rank of the principal component vectors corresponding to a share of the electron orbital d- [Cu 0. 25 Fe 0 .
  • the electronic device 1000 includes a first coefficient alpha (n d . Fe ) corresponding to the electronic occupancy rate of the d-orbital of the first workpiece, a first coefficient corresponding to the number of orientations of the first workpiece the first coefficient alpha of the first material can be determined based on the first coefficient alpha (CN) and the first coefficient alpha (F mix ) corresponding to the mixing coefficient of the first material.
  • the electronic device 1000 may include a first coefficient? (N d . Fe ) corresponding to the electronic occupation rate of the d-orbital of the first material, a first coefficient? (CN)) and the first coefficient (F mix ) corresponding to the mixing coefficient of the first material and applying a weight to each of the first coefficient alpha (F mix ) You can decide.
  • k is a natural number equal to or greater than 1, which means an index of a principal component vector. That is, ⁇ k means the k-th principal component vector.
  • w1 is a weight applied to the first coefficient alpha (n d . Fe ) corresponding to the electronic occupation rate of the d-orbital
  • w2 is a weight applied to the first coefficient alpha (CN) corresponding to the coordinate number
  • w3 is a weight applied to the first coefficient? (F mix ) corresponding to the mixing coefficient.
  • the sum of w1, w2 and w3 is one.
  • the electronic device determines the weights w1, w2, and w3 to 1/3, which is the same value, and calculates the first coefficient (? ( DFe )) corresponding to the electronic occupation rate of the d-
  • the first coefficient? Of the first material can be determined by applying the second coefficient? (CN) corresponding to the first coefficient to the third coefficient? (F mix ) corresponding to the mixing coefficient.
  • FIG. 11 shows the similarity of materials composed of at least one of the material for forming the material and the material for predicting the electronic structure according to an embodiment.
  • FIG. FIG. 12B is a graph showing a method of determining the coefficient of the principal component vector based on the similarity of materials composed of at least one of the elements, It is a table showing the electronic share of the orbitals.
  • the first material 977 for predicting the electronic structure may be composed of at least three elements.
  • the electronic device 1000 can receive data on a plurality of second materials 971, 973, and 975, which are composed of at least one of the elements constituting the first material 977, as learning data.
  • the electronic device 1000 can obtain the composition information and the crystal structure information of the first material 977 from the data on the first material 977 received from the user.
  • the electronic device 1000 can obtain composition information and crystal structure information of each of the plurality of second materials from the learning data.
  • the plurality of second materials 971, 973, and 975 may correspond to the materials whose first material 977 is the most similar among the learning data.
  • the electronic device 1000 can determine the similarities d n -x , d ny , and d nz of the first material 977 and the plurality of second materials 971, 973, and 975, respectively.
  • the first material 977 may be a material composed of the elements [A], [B], and [C].
  • the plurality of second materials 971, 973, and 975 may be a material composed of at least one of the elements [A], [B], and [C].
  • the electronic device 1000 obtains the electronic occupancy rate (n dA ) of the d-orbital of the element [A] of the first material and the d-orbital of the element [B] of the first material from the data related to the first material received from the user
  • the electronic device 1000 has the electronic occupation rate (n d, pt ) of the d-orbital of platinum of the first material [Cu 0.03 Ni 0.03 Pt 0.94 ], the d- (N d, n i ) of copper and the electronic occupation rate (n d, cu ) of d -orbital of copper can be obtained.
  • the electronic device 1000 includes the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the mixing coefficient can be obtained.
  • the electronic device 1000 obtains from the learning data the electronic occupancy rate of the d-orbital of each of the elements constituting each of the plurality of second materials 971, 973 and 975, 973, and 975, and the mixing coefficients of the plurality of second materials 971, 973, and 975, respectively.
  • an electronic device 1000 includes a first material [Cu 0.03 Ni 0.03 Pt 0.94] the second material similar to the [Ni 0. 25 Pt 0 .75], [Cu 0. 25 Pt 0 .75], and [Pt] is able to obtain information about each composition and crystal structure information. That is, the electronic device 1000 has an electronic occupation rate of the d-orbital of each of Ni and Pt constituting [Ni 0.25 Pt 0.75 ], and [Ni 0 . 25 Pt 0 . 75 ] and the mixing coefficient can be obtained. In addition, the electronic device 1000 may include [Cu 0 . 25 Pt 0 .
  • the electronic occupancy rate of the d-orbitals of each of Cu and Pt, [Cu 0 . 25 Pt 0 . 75 ] and the mixing coefficient can be obtained. Also, the electronic device 1000 can acquire the electronic occupancy rate and the mixing coefficient of d-orbitals of [Pt] to 1 and obtain the coordination number of [Pt].
  • the electronic device 1000 compares the first composition information of the first material and the second composition information of each of the plurality of second materials and compares the first crystal structure information of the first material and the plurality of second materials 971, 973, and 975 can be compared with each other to determine the similarities (d nx , d ny , d nz ) of the first material to each of the plurality of second materials 971, 973, and 975.
  • the electronic device 1000 has an electronic occupation rate (n dA ) of the d-orbital of the element [A] of the first material, an electronic occupation rate (n dB ) of the d- orbital of the element [B] e share of element [C] of the d- orbitals e share (n dC) and the element [a] constituting the one of the plurality of the second material a third material of the d- orbitals of the (n dA), the third material (N dB ) of the d-orbitals of the element [B] of the third material and the electronic occupation rate (n dC ) of the d-orbitals of the element [C] of the third material can be compared.
  • the electronic device 1000 can be compared with the coordination number of the first material and the coordination number of the third material.
  • the electronic device 1000 can compare the mixing coefficient of the first material with the mixing coefficient of the third material.
  • the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the second material [Ni 0 . 25 Pt 0 .75], [Cu 0. 25 Pt 0 .75], and [Pt] may be compared to each composition information. That is, the electronic device 1000 includes the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94] e share and the second material of platinum, nickel and copper, each of the d- orbitals constituting the [Ni 0. 25 Pt 0 . 75 ] of the d-orbitals of platinum and nickel can be compared. Further, the first material [Cu 0 . 03 Ni 0 .
  • the electronic device 1000 may be configured such that the composition information of the first material [Cu 0.03 Ni 0.03 Pt 0.94 ] and the composition information of the second material [Ni 0 . 25 Pt 0 .75], [Cu 0. 25 Pt 0 .75], and [Pt] may be compared to each of the crystal structure information. That is, the electronic device 1000 has the coordination number and mixing coefficient of the first material [Cu 0.03 Ni 0.03 Pt 0.94 ] and the coordination number of the second material [Ni 0 . 25 Pt 0 . 75 ] and the mixing coefficient can be compared. In addition, the electronic device 1000 includes the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 .
  • the electronic device 1000 includes the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] can be compared with the coordination number of the second material [Pt] and the mixing coefficient.
  • the electronic device 1000 based on the comparison result, the electronic device 1000 is the first material of 977 and a plurality of second material (971, 973, 975), each degree of similarity (d -x n, d n - y , d n -z ) can be determined.
  • the similarity between the first material 977 and the third material among the plurality of second materials 971, 973, and 975 may be determined according to Equation (2).
  • the electronic device 1000 may generate a state density graph for each energy level to predict the electronic structure of the first material.
  • the electronic device 1000 can determine a first coefficient that is a coefficient of a principal component vector of the first material to generate a state density graph for each energy level of the first material.
  • the electronic device 1000 can determine the similarity of the plurality of second materials and the first material to determine the first coefficient.
  • the electronic device 1000 may include a first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the third material [Ni 0 . 25 Pt 0 . 75 ] can be determined using Equation (2).
  • the element A may be copper (Cu)
  • the element B may be nickel (Ni)
  • the element C may be platinum (Pt).
  • the electronic device 1000 includes a first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . Orbital of copper (Cu) of the third material [Ni 0. 94 ] . 25 Pt 0 . 75 ] of copper (Cu) can be obtained.
  • the electronic device 1000 includes a first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94] of the electronic market share and the third material of the d- orbitals of the nickel (Ni) [Ni 0. 25 Pt 0 . 75 ] of nickel (Ni) can be found.
  • Electronic device 1000 includes a first material [Cu 0.03 Ni 0.03 Pt 0.94] E shares and the third material of the d- orbitals of the platinum (Pt) [Ni 0. 25 Pt 0 . Orbit of the d-orbital of platinum (Pt) of the first material (Cu 0. 75 ) . 03 Ni 0 . 03 Pt 0 . 94 ] and the third material [Ni 0 . 25 Pt 0 . The square of the difference between the normalized coordinate values of [ 75 ] can be obtained.
  • the electronic device 1000 has a mixing coefficient of the first material [Cu 0.03 Ni 0.03 Pt 0.94 ] and a mixing coefficient of the third material [Ni 0 . 25 Pt 0 . 75 ] can be obtained.
  • the electronic device 1000 can determine the degree of similarity between the first material [Cu 0.03 Ni 0.03 Pt 0.94 ] and the third material [Ni 0.25 Pt 0.75 ] by linearly combining the squared values.
  • the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the third material [Cu 0 . 25 Pt 0 . 75 ] can be determined. Further, the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the third material [Pt] among the plurality of second materials can be determined.
  • the electronic device 1000 may determine the first coefficient based on the determined similarity.
  • the electronic device 1000 can determine the weight of each of the plurality of second materials as shown in Equation (3). That is, the weight of the third material among the plurality of second materials may be determined as a value obtained by dividing the reciprocal of the degree of similarity between the third material and the first material by the sum of the inverse numbers of the plurality of second materials and the degree of similarity of the first material have.
  • the electronic device 1000 may include a first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the third material [Ni 0.25 Pt 0.75 ], the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the third material [Cu 0 . 25 Pt 0 . 75 ] and the second similarity of the first material [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] and the third material [Pt].
  • the third material [Ni 0 . 25 Pt 0 . 75 ] may be a value obtained by dividing the reciprocal of the first similarity by the sum of reciprocals of the first similarity, the second similarity, and the third similarity, respectively.
  • the second weight of the third material [Cu 0.25 Pt 0.75 ] may be a value obtained by dividing the reciprocal of the second similarity by the sum of reciprocals of the first similarity, the second similarity, and the third similarity.
  • the third weight of the third material Pt may be a value obtained by dividing the reciprocal of the third similarity by the sum of reciprocals of the first similarity, the second similarity, and the third similarity.
  • the electronic device 1000 can determine the first coefficient based on the weight of each of the plurality of second materials as shown in Equation (4).
  • the electronic device 1000 can determine the first coefficient of the first material by linearly combining the determined weight and the coefficient of the principal component vector of each of the plurality of second materials.
  • the electronic device 1000 may calculate the first first coefficient by multiplying the first weight by the coefficient of the first principal component vector of the second material [Ni 0.25 Pt 0.75 ], the second weight and the second material [Cu 0.25 Pt 0.75 ], And a value obtained by multiplying the value obtained by multiplying the third weight and the coefficient of the first principal component vector of the second material [Pt].
  • the electronic device 1000 may similarly determine the second first coefficient through the kth first coefficient.
  • the electronic device 1000 can generate an image vector of the first material based on the determined first coefficient of the first material and generate a state density graph for the energy level of the first material. Since the method of generating the image vector of the first material has been described in step 750 of FIG. 7A, redundant contents are omitted. Since the method of generating the state density graph for each energy level of the first material has been described in step 770 of FIG. 7A, redundant description is omitted.
  • FIG. 13 shows a probability matrix for estimating a state density graph for each energy level of a work according to an embodiment.
  • the electronic device 1000 may convert an image vector 910, which represents the density of states of the first material to energy levels, into a matrix 930.
  • an image vector 910 generated in the form of a 1xL matrix (where L means a result obtained by multiplying a natural number M by a natural number N) can be converted into an MxN matrix 930.
  • the kth column 940 of the MxN matrix 930 includes N components, and each component may include data representing the state density of the first material.
  • the kth column 940 may include a component 941 that includes a data value of 0, and components 943, 945, and 947 that contain a non-zero data value. At this time, there may be a component 947 including a negative data value.
  • the electronic device 1000 may remove the negative data value from the component that includes the negative data value by converting the MxN matrix 930 to the MxN probability matrix 950.
  • the data value included in the component of the MxN probability matrix 950 can be defined by Equation (5). And the components of the MxN matrix 930 containing zero and negative data values may be transformed into components of the MxN probability matrix 950 containing a data value of zero.
  • k denotes the k-th row
  • 1 denotes the l-th column
  • a component 947 including a negative data value among the components of the MxN matrix 930 may be transformed into a component 967 of an MxN probability matrix 950 that includes a data value of zero.
  • the electronic device 1000 may estimate the state density for each energy level of the material using an MxN probability matrix. For example, the electronic device 1000 can estimate the state density value for the k-th energy level by multiplying the MxN probability matrix by the l-th state density for the k-th energy level as shown in Equation (9).
  • Is an MxN probability matrix Is the 1 st state density value for the k-th energy level, Is the state density value for the k-th energy level.
  • N is the number of rows of the matrix and T is the maximum state density value.
  • the electronic device 1000 can estimate the state density values for the first to M-th energy levels, respectively.
  • the electronic device 1000 may generate a state density graph for each energy level for the material to predict the electronic structure based on the state density values for the estimated 1 to M-th energy levels. For example, the electronic device 1000 may generate a state density graph for each energy level by displaying the state density values corresponding to the respective energy levels on a graph and connecting them to each other.
  • the electronic device 1000 may output a state density graph for each of the generated energy levels as shown in FIGS. 14A to 14F.
  • FIGS. 14A to 14F are graphs of state density graphs for estimated energy levels and DFT states, according to an embodiment of the present invention.
  • the electronic device 1000 includes a plurality of the second material is Cu and Ni consisting of a face-centered cubic structure (Face-centered cubic, FCC) [Cu], [Cu 0. 75 Ni 0 .25 ], [Cu 0 . 50 Ni 0 .50 ], [Cu 0 . 25 Ni 0 . 75 ] and [Ni] can be received from the user as learning data.
  • the electronic device 1000 can convert the received learning data into recognition data.
  • the electronic device 1000 can apply the recognition data to the learning model to determine at least one principal component vector of a material composed of Cu and Ni.
  • the electronic device 1000 may determine a first coefficient of at least one principal component vector.
  • the electronic device 1000 may generate a state density graph for each energy level of the first material using the determined at least one principal component vector and the first coefficient of the principal component vector.
  • the electronic device 1000 may output a state density graph for the energy level of the generated first material.
  • the electronic device 1000 calculates the state density of the material [Cu 20 Ni 12 ] estimated from the learning model The graph can be output.
  • the electronic device 1000 can obtain the state density graph of the energy level of the material [Cu 12 Ni 20 ] estimated from the learning model Can be output.
  • the state density graph of the energy level of the estimated material [Cu 20 Ni 12 ] by applying the data related to the elements constituting the material [Cu 20 Ni 12 ] to the learning model is obtained by using the DFT [Cu 20 Ni 12 ] is about 95% consistent with the state density graph for each energy level.
  • the state density graph for the energy level estimated by applying the data on the elements constituting the material [Cu 20 Ni 12 ] to the learning model was output in 3 minutes, but the state density graph for each energy level estimated using the DFT is 49 The output was in time.
  • the state density graph of the energy level of the estimated material [Cu 12 Ni 20 ] by applying the data related to the elements constituting the material [Cu 12 Ni 20 ] to the learning model, [Cu 12 Ni 20 ] is about 96% consistent with the state density graph for each energy level.
  • the state density graph for each energy level estimated by applying the data on the elements constituting the material [Cu 12 Ni 20 ] to the learning model was output in 3 minutes, but the state density graph for each energy level estimated using DFT is 49 The output was in time.
  • the material [Cu 0 . 375 Ni 0 . 625 ] is applied to the learning model, and a state density graph for each energy level estimated using the DFT is shown.
  • the state density graph for each energy level of the material is [Cu 0 . 375 Ni 0 . 625 ] state density graph of the energy level of the material is about 96%.
  • Figure 14d is, [Cu 0. 375 Fe 0 . 625 ]
  • the state density graph for each energy level generated by applying the data on the elements constituting the material to the first learning model that determines the coefficients of the principal component vector taking into account only the electronic occupancy rate (n d ) of the d -orbital, [Cu 0 . 375 Fe 0 . 625 ]
  • the data on the elements constituting the material are applied to the second learning model which determines the coefficients of the principal component vectors by considering the electronic occupancy rate (n d ), coordination number (CN) and mixing coefficient (Fmix) of d -orbital And a state density graph for each energy level estimated using the DFT.
  • the state density graph for each energy level of the material is [Cu 0 . 375 Fe 0 . 625 ] is approximately 85% consistent with the state density graph of the energy level of the material.
  • the second learning model [Cu 0 . 375 Fe 0 . 625 ]
  • the state density graph for each energy level of the material is [Cu 0 . 375 Fe 0 . 625 ] is about 94% identical to the state density graph for the energy level of the material.
  • 14E is a diagram illustrating a third learning model that is generated by determining similarities between a first material composed of three elements and a plurality of second materials and applying a weight of each of the plurality of second materials based on the determined similarity, Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ]
  • a state density graph for each energy level generated by applying data related to the element of the material and a graph of the state density for each energy level estimated using the DFT are also shown.
  • FIG. 14F is a graph showing the relationship between [Cu 0 . 03 Ni 0 . 03 Pt 0 . 94 ] A state density graph for each energy level generated by applying data related to the element of the material and a graph of the state density for each energy level estimated using the DFT are also shown.
  • the state density graph for each energy level of the material is [Cu 0 . 31 Ni 0 . 31 Pt 0 . 38 ] is about 96% consistent with the state density graph of the energy level of the material.
  • the state density graph for each energy level of the material is estimated using the conventional DFT You can save more time, but you can see that there is no big difference in accuracy.
  • the learning model of the disclosed embodiment can improve the accuracy of the state density graph for each estimated energy level as the data about the element of the material and the electronic structure of the material are increased.
  • a method of estimating a state density graph for each energy level of a material by using the learning model of the disclosed embodiment is a state density graph of the energy level of the material using a conventional DFT It is obvious that it can save time than the estimation method.
  • FIGS. 15A and 15B are views for comparing the result of generating the graph of the state density for each estimated energy level according to one embodiment and the result of generating the estimated energy-state density graph according to the DFT.
  • 15A compares the rate of calculating the state density per energy level as a function of the number of electrons in the work.
  • the relationship between the number of electrons in the material and the time required to calculate the state density for each energy level is O (N 3 ). ≪ / RTI > In other words, it can be seen that the time proportional to the cube of the number of electrons of the material takes a calculation time.
  • the relationship between the number of electrons in the material and the time required to calculate the state density per energy level is O (1) Function. That is, it takes a certain time regardless of the number of electrons in the material.
  • 15B is a graph showing the relationship between the material of the Cu-Ni, Cu-Ru, Cu-Pd, Cu-Pt, Ni-Ru, Ni-Pd, Ni-Pt, Ru-Pd, Ru- And the similarity of the state density graph of the energy level of the material by using the conventional DFT.
  • the state density graph of the energy level of the [Cu-Ni] material estimated using the learning model of the embodiment disclosed in the present invention is shown by the state of energy level of the [Cu-Ni] material estimated using the conventional DFT It is approximately 95% consistent with the density graph.
  • the state density graph of the energy level of the [Cu-Ru] material estimated using the learning model of the embodiment disclosed in the present embodiment is a graph of the state density of the [Cu-Ru] material at the energy level estimated using the conventional DFT, 97%.
  • the state density graph of the energy level of the [Cu-Pd] material estimated using the learning model of the embodiment disclosed in the present embodiment is a graph of the state density of the [Cu-Pd] material at the energy level estimated using the conventional DFT, 98% match.
  • the state density graph of the energy level of the [Cu-Pt] material estimated by using the learning model of the embodiment disclosed in the present embodiment is a graph of the state density of the [Cu-Pt] material at the energy level estimated using the conventional DFT, 91% match.
  • the graph of the state density of the [Ni-Ru] material estimated by using the learning model of the embodiment disclosed in the present invention is a graph of the state density of the [Ni-Ru] material at the energy level estimated using the conventional DFT, 97%.
  • the graph of the state density of the [Ni-Pd] material which is estimated using the learning model of the disclosed embodiment, is a graph of the state density of the [Ni-Pd] material by the energy level estimated using the conventional DFT, 92% match.
  • the graph of the state density of the [Ni-Pt] material based on the energy level estimated using the learning model of the disclosed embodiment is a graph of the state density of the [Ni-Pt] material at the energy level estimated using the conventional DFT, 92% match.
  • the state density graph of the energy level of the [Ru-Pd] material estimated using the learning model of the embodiment disclosed in the present embodiment is a graph of the state density of the [Ru-Pd] material energy level estimated using the conventional DFT, 94% match.
  • the state density graph of the energy level of the [Pd-Pt] material estimated by using the learning model of the embodiment disclosed in the present embodiment is a graph of the state density of the [Pd-Pt] material at the energy level estimated using the conventional DFT, 91% match.
  • the learning model of the disclosed embodiment can more accurately estimate the state density graph for each energy level as the data about the element of the material and the data about the electronic structure of the material are increased.
  • FIG. 14 is a block diagram of an electronic device, in accordance with one embodiment.
  • an electronic device 1000 may include a user input unit 1100, an output unit 1200, a processor 1300, a communication unit 1500, and a memory 1700. However, not all of the components shown in Fig. 14 are essential components of the electronic device 1000. [ The electronic device 1000 may be implemented by more components than the components shown in Fig. 14, or the electronic device 1000 may be implemented by fewer components than those shown in Fig.
  • the user input unit 1100 means a means for allowing a user to input data for controlling the electronic device 1000.
  • the user input unit 1100 may include a key pad, a dome switch, a touch pad (contact type capacitance type, pressure type resistive type, infrared ray detection type, surface ultrasonic wave conduction type, A tension measuring method, a piezo effect method, etc.), a jog wheel, a jog switch, and the like, but is not limited thereto.
  • the output unit 1200 displays and outputs information processed in the electronic device 1000.
  • the output unit 1200 may include a display unit 1210 that outputs a result of predicting the electronic structure of the work.
  • the display unit 1210 may display a state density graph for each energy level of a material corresponding to input data of a user related to the elements constituting the material.
  • the display unit 1210 may display a user interface for receiving data related to the elements constituting the material.
  • Processor 1300 typically controls the overall operation of electronic device 1000.
  • the processor 1300 can control the user input unit 1100, the output unit 1200, the communication unit 1500, and the like as a whole by executing programs stored in the memory 1700.
  • the processor 1300 may also perform the functions of the electronic device 1000 described in Figures 1-13 by executing programs stored in the memory 1700.
  • the processor 1300 may control the user input unit 1100 to receive data on the elements constituting the material.
  • the processor 1300 can predict the electronic structure of the material based on the data input from the user.
  • the processor 1300 can output the prediction result of the electronic structure of the work.
  • the processor 1300 may control the user input unit 1100 to receive data for the elements that constitute the first material to predict the electronic structure. According to one embodiment, the processor 1300 may calculate data on the number of elements constituting the first material, the kind of the element, the number of atoms, the number of electrons, the formula, the empirical formula, The electronic structure of the material can be predicted by applying it to the learning model.
  • the processor 1300 can generate a state density graph for each energy level of the first material to predict the electronic structure of the first material, and generate a state density graph for each energy level of the generated first material Can be output.
  • the processor 1300 controls the user input unit 1100 to receive data for a plurality of second materials as learning data to be applied to a learning model to predict the electronic structure of the first material .
  • the second materials may be composed of at least a part of a plurality of elements constituting the first material.
  • the processor 1300 may convert the training data into recognition data for application to a learning model. For example, the processor 1300 may convert each of the state density graphs for the energy levels of a plurality of materials into a grid image. The processor 1300 may convert the transformed grid images into a matrix. The processor 1300 may convert the transformed matrix into an image vector representing the state density of the second material with respect to the energy level. The processor 1300 may apply the transformed recognition data to the learning model.
  • the processor 1300 may use the recognition data applied to the learning model to determine criteria for predicting the electronic structure of the material. For example, the processor 1300 may determine a criterion for predicting the electronic structure of the material using the transformed plurality of grid images. Alternatively, the processor 1300 may determine a criterion for predicting the electronic structure of the material using the matrices in which the grid images are transformed. Alternatively, the processor 1300 may determine a criterion for predicting the electronic structure of the material using the transformed image vectors of the matrices.
  • the processor 1300 may determine a principal component vector for generating a state density graph for each energy level of the material as a reference for predicting the electronic structure of the material.
  • the processor 1300 can determine the number of principal component vectors as a criterion for predicting the electronic structure of the material.
  • the processor 1300 may determine the coefficients of the principal component vector as a criterion for predicting the electronic structure of the workpiece.
  • the processor 1300 can determine the relationship between the coefficient of the principal component vector, the composition information of the material, and the crystal structure information of the material as a reference for predicting the electronic structure of the material. For example, the processor 1300 may calculate a coefficient of a principal component vector, a d-orbital electronic occupancy rate of a material, a coordination number (CN) of a material, and a mixing factor , F mix ) can be determined.
  • CN coordination number
  • the processor 1300 can determine the coefficients of the principal component vector corresponding to the electronic occupancy rate of the d-orbital of the first material, the coordination number of the first material, and the mixing coefficient of the first material.
  • the processor 1300 can determine a weight to be applied to each of the coefficients of the principal component vector corresponding to the electronic occupancy rate of the d-orbital of the first material, the number of coordinates of the first material, and the mixing coefficient of the first material.
  • the processor 1300 may determine the coefficients of each of the principal components of the first material by linearly combining the coefficients of the weighted principal component vector.
  • the processor 1300 may convert each of the state density graphs for the respective energy levels of the plurality of second materials received with the learning data into a grid image.
  • the processor 1300 may convert the grid image into a matrix.
  • the processor 1300 may determine a principal component vector based on the transformed matrix.
  • the processor 1300 may perform at least one principal component vector by performing Principal Component Analysis (PCA) on the matrix for each of the plurality of second materials.
  • the processor 1300 may calculate the covariance of the matrix for each of the plurality of second materials.
  • the processor 1300 may calculate at least one eigenvector and at least one eigenvalue based on the calculated covariance.
  • the processor 1300 may determine a principal component for a plurality of matrices using at least one eigenvector and at least one eigenvalue.
  • the processor 1300 may generate a covariance matrix using image vectors representing the state densities of the energy levels of the second materials.
  • the processor 1300 may calculate at least one eigenvector and at least one eigenvalue from the covariance matrix.
  • the processor 1300 may determine the calculated at least one eigenvector as a principal component vector.
  • the processor 1300 may determine a second coefficient of the principal component vector from the data associated with the second material.
  • the second coefficient means a coefficient for expressing the state density characteristic of the energy level of the second material with respect to the determined at least one principal component vector.
  • the processor 1300 may obtain at least one of the electronic occupancy of the d-orbital of the second material, the coordination number of the second material, and the blending coefficient of the second material from the data associated with the second material .
  • the processor 1300 can estimate the relationship between the coefficient of the principal component vector and at least one of the electronic occupancy rate of the d-orbital of the second material, the coordination number of the second material, and the mixing coefficient of the second material have.
  • processor 1300 may represent the estimated relationship as a linear graph.
  • the processor 1300 may determine a first coefficient of the principal component vector from the estimated relationship.
  • the first coefficient means a coefficient for expressing the state density characteristic of the first material with respect to the energy level with respect to at least one principal component vector.
  • the processor 1300 can determine the first coefficient by performing linear interpolation on the linear graph.
  • the processor 1300 may determine the first coefficient based on the similarity of the first material to a plurality of second materials similar to the first material.
  • the first coefficient means a coefficient for expressing the state density characteristic of the first material with respect to the energy level with respect to at least one principal component vector.
  • the processor 1300 compares the first composition information of the first material and the second composition information of each of the plurality of second materials, and compares the first crystal structure information of the first material and the second composition information of the second materials By comparing the crystal structure information, the degree of similarity between each of the plurality of second materials and the first material can be determined.
  • the processor 1300 may determine the weight of each of the plurality of second materials based on the degree of similarity between each of the plurality of second materials and the first material.
  • the processor 1300 may determine the first coefficient by linearly combining the coefficients of the principal component vectors of each of the plurality of second materials and the weights.
  • the processor 1300 may estimate the electronic structure of the first material using the determined criteria.
  • the processor 1300 can output the result of estimating the electronic structure of the first material.
  • the processor 1300 may generate a state density graph for each energy level of the first material using the determined principal component vector, the number of principal component vectors, and the first coefficient of the principal component vector.
  • the processor 1300 may apply the electronic structure of the first material estimated by the processor 1300 to the learning model as learning data.
  • the processor 1300 can apply the data related to the elements constituting the first material and the graph of the state density for each energy level of the first material as learning data.
  • the processor 1300 can accurately predict the electronic structure of the first material as the data relating to the elements constituting the second work and the data relating to the electronic structure of the second work are increased.
  • the processor 1300 can learn the first learning model by applying the electronic structure of the first material predicted by the processor 1300 to the first learning model as learning data. Further, the processor 1300 re-estimates the electronic structure of at least one of the second materials estimated by the processor 1300 in the newly learned second learning model, and applies the estimated result to the learning model again as learning data, The second learning model can be learned. That is, the processor 1300 estimates the electronic structure of the material and repeatedly performs the application of the estimated result to the learning model as learning data, thereby accurately estimating the electronic structure.
  • the processor 1300 can also predict the electronic structure of the first material using the data recognition model stored in the memory 1700 or the server 2000.
  • the processor 1300 can efficiently learn the criteria for predicting the electronic structure of the first material by using the data recognition model stored in the memory 1700 or the server 2000, and can quickly The electronic structure of the first material can be accurately predicted.
  • the communication unit 1500 may include one or more components that allow the electronic device 1000 to communicate with other devices (not shown) and the server 2000.
  • Other devices may be computing devices, such as electronic device 1000, or may be sensing devices, but are not limited thereto.
  • the communication unit 1500 can transmit and receive information necessary for executing the operation of predicting the electronic structure of the first material to another apparatus (not shown) and the server 2000.
  • the memory 1700 may store a program for processing and controlling the processor 1300 and may store data input to or output from the electronic device 1000.
  • the memory 1700 may be a system memory of the electronic device 1000 such as a random access memory (SRAM), a read only memory (ROM), an electrically erasable programmable read-only memory (EEPROM) A flash memory type, a hard disk type, a multimedia card micro type, and the like), a flash memory (flash memory) type, , Card type memory (e.g., SD or XD memory, etc.), magnetic memory, magnetic disk, optical disk).
  • SRAM random access memory
  • ROM read only memory
  • EEPROM electrically erasable programmable read-only memory
  • flash memory type e.g., a hard disk type, a multimedia card micro type, and the like
  • flash memory (flash memory) type e.g., SD or XD memory, etc.
  • magnetic memory magnetic disk, optical disk.
  • 17 is a block diagram of a control portion of an electronic device, in accordance with one embodiment.
  • the processor 1300 may include a data learning unit 1310 and a data recognition unit 1320.
  • the data learning unit 1310 can learn a criterion for predicting the electronic structure of the first material.
  • the data recognition unit 1320 can predict the electronic structure of the first material by using the learned data recognition model.
  • the data recognition unit 1320 may acquire predetermined data according to a preset reference by learning and use the data recognition model as the input data. Further, the resultant value output by the data recognition model with the obtained data as an input value can be used to update the data recognition model.
  • At least one of the data learning unit 1310 and the data recognizing unit 1320 may be manufactured in the form of at least one hardware chip and mounted on the electronic device.
  • at least one of the data learning unit 1310 and the data recognition unit 1320 may be fabricated in the form of a dedicated hardware chip for artificial intelligence (AI) or a conventional general purpose processor Or application processor) or a graphics-only processor (e.g., a GPU), and may be mounted on various electronic devices as described above.
  • AI artificial intelligence
  • a conventional general purpose processor Or application processor e.g., a graphics-only processor
  • the data learning unit 1310 and the data recognizing unit 1320 may be mounted on one electronic device or on separate electronic devices, respectively.
  • one of the data learning unit 1310 and the data recognizing unit 1320 may be included in the electronic device, and the other may be included in the server.
  • the data learning unit 1310 and the data recognition unit 1320 may provide the model information constructed by the data learning unit 1310 to the data recognition unit 1320 via a wire or wireless communication, 1320 may be provided to the data learning unit 1310 as additional learning data.
  • At least one of the data learning unit 1310 and the data recognition unit 1320 may be implemented as a software module.
  • the software module can be read by a computer, And may be stored in non-transitory computer readable media.
  • the at least one software module may be provided by an operating system (OS) or by a predetermined application.
  • OS operating system
  • OS Operating System
  • some of the at least one software module may be provided by an Operating System (OS)
  • OS Operating System
  • FIG. 18 is a block diagram of a server in conjunction with an electronic device, in accordance with one embodiment.
  • a server 2000 may include a communication unit 2500, a DB 2700, and a processor 2300.
  • the communication unit 2500 may include one or more components for communicating with the electronic device 1000.
  • the DB 2700 may store data and programs for predicting the electronic structure of the first material.
  • the processor 2300 typically controls the overall operation of the server 2000.
  • the processor 2300 can entirely control the DB 2700 and the communication unit 2500 by executing programs stored in the DB 2700 of the server 2000.
  • the processor 2300 may perform some of the operations of the electronic device 1000 in Figures 1-11 by executing programs stored in the DB 2700.
  • the processor 2300 can predict the electronic structure of the first material.
  • the processor 2300 can efficiently learn a criterion for predicting the electronic structure of the first material by using the data recognition model stored in the DB 2700.
  • the processor 2300 can quickly learn the electronic structure of the first material The structure can be accurately predicted.
  • the device 1000 and the server 2000 can effectively perform a task for learning and data recognition of a data recognition model, and can perform the data processing efficiently, in order to provide a service conforming to the user's intention. And the user's privacy can be effectively protected.
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media.
  • the computer-readable medium may include both computer storage media and communication media.
  • Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • Communication media typically includes computer readable instructions, data structures, and program modules.
  • &quot part " may be a hardware component such as a processor or a circuit, and / or a software component executed by a hardware component such as a processor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Architecture (AREA)
  • Human Computer Interaction (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

전자 장치가 소재의 전자 구조를 예측하는 방법의 일 실시예는, 상기 제1 소재를 구성하는 원소들에 관련된 사용자의 입력 데이터를 수신하는 단계, 상기 수신된 입력 데이터를, 상기 제1 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하는 단계 및 상기 학습 모델로부터 출력되는 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 제1 그래프를 출력하는 단계를 포함하며, 상기 학습 모델은, 상기 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 대한 기 입력된 데이터 및 상기 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도를 나타내는 복수의 제2 그래프에 기초하여, 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.

Description

소재의 전자 구조를 예측하는 방법 및 전자 장치
본 개시는 소재의 전자 구조를 예측하는 방법 및 전자 장치에 관한 것이다.
소재의 금속성, 전기 전도도와 같은 물성은 소재의 전자 구조(예를 들면 전자의 에너지 밴드의 구조)에 의해서 결정된다.
소재의 전자 구조를 이용하여 소재의 물성을 파악하는 방법을 통해 신소재가 개발되고 있다. 예를 들면, 반도체 소재는 전자가 가전대로부터 전도대 준위로 여기되기 위한 에너지인 밴드 갭(Band gap)에 대한 정보를 이용하여 개발되고 있다. 또한, 촉매나 이차전지와 같은 화학소재도 소재의 전자 구조를 이용하여 개발되고 있다.
소재의 전자 구조를 파악에 주로 이용되는 정보는 상태 밀도 (Density of State, DOS)이다. 구체적으로, 에너지에 따른 상태 밀도를 그래프로 나타내어 소재의 전자 구조를 파악하고, 소재의 물성을 파악할 수 있다.
종래에는 Empirical, Tight Binding, DFT, Beyond DFT 와 같은 방법을 통해 소재의 상태 밀도를 추정하고, 추정된 상태 밀도를 이용하여 소재의 전자 구조를 예측하였다. 하지만, 종래의 전자 구조 예측 방법은 시간이 빠를수록 정확도가 낮거나, 정확도가 높을수록 많은 시간이 소요되는 문제점이 존재하였다. 예를 들면, 소재의 상태 밀도를 추정하는데 계산과학적으로 가장 많이 이용되었던 방법인 DFT(Density Functional Theory, 제일원리계산법 중 밀도 범함수 이론)는 한 개의 소재에 대한 상태 밀도를 계산을 통해 추정하는데 약 2~3일 정도의 시간이 소요되는바, 시간 및 비용이 과다한 문제점이 존재하였다.
따라서, 새로운 소재를 개발하기 위해서는 복수의 소재에 대한 상태 밀도가 필요하므로, 빠른 속도로 소재에 대한 상태 밀도를 높은 정확성으로 추정할 수 있는 방법이 요구되고 있는 실정이다.
본 개시는 소재의 전자구조를 예측하는 방법 및 전자 장치를 제공하고자 한다. 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 전자 장치가 제1 소재의 전자 구조를 예측하는 방법의 일 실시예는 상기 제1 소재를 구성하는 원소들에 관련된 사용자의 입력 데이터를 수신하는 단계, 상기 수신된 입력 데이터를, 상기 제1 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하는 단계 및 상기 학습 모델로부터 출력되는 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 제1 그래프를 출력하는 단계를 포함하며, 상기 학습 모델은, 상기 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 대한 기 입력된 데이터 및 상기 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도를 나타내는 복수의 제2 그래프에 기초하여, 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은 상기 복수의 제2 그래프 각각을 격자 이미지로 변환하고, 상기 복수의 제2 그래프가 변환된 복수의 격자 이미지에 기초하여 상기 제1 그래프의 특성을 나타낼 적어도 하나의 주성분 벡터를 결정하고 상기 결정된 적어도 하나의 주성분 벡터에 기초하여 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 수신된 사용자의 입력 데이터로부터 상기 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 조성(composition) 정보 및 상기 제1 소재의 결정 구조(crystal structure)를 나타내는 결정 구조 정보 중 적어도 하나를 획득하고, 상기 획득된 조성 정보 및 결정 구조 정보 중 적어도 하나에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하며, 상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 조성 정보는 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율d-오비탈의 전자 점유율을 포함하고, 상기 학습 모델은 상기 획득된 d-오비탈의 전자 점유율d-오비탈의 전자 점유율들에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것일 수 있다.
또한, 상기 결정 구조 정보는 상기 제1 소재의 배위수 및 상기 제1 소재의 혼합 계수 중 적어도 하나를 포함하고, 상기 학습 모델은 상기 획득된 배위수 및 혼합 계수 중 적어도 하나에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 제1 소재를 구성하는 복수의 원소들의 종류에 기초하여 상기 조성 정보 및 상기 결정 구조 정보 각각에 적용될 가중치를 결정하고, 상기 결정된 가중치에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 복수의 제2 소재들 각각과 상기 제1 소재의 유사도를 결정하고, 상기 결정된 유사도에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하며, 상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 수신된 사용자의 입력 데이터로부터 상기 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 제1 조성(composition) 정보 및 상기 제1 소재의 결정 구조(crystal structure)를 나타내는 제1 결정 구조 정보를 획득하고, 학습 데이터로부터 상기 복수의 제2 소재들 중 하나인 제3 소재의 제2 조성 정보 및 제2 결정 구조 정보를 획득하며, 상기 획득된 제1 조성 정보, 제1 결정 구조 정보, 제2 조성 정보 및 제2 결정 구조 정보에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것일 수 있다.
또한, 상기 제1 조성 정보는 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율을 포함하고, 상기 제2 조성 정보는 상기 제3 소재를 구성하는 원소들 각각의 d-오비탈의 전자 점유율을 포함하며, 상기 학습 모델은 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율 및 상기 제3 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것일 수 있다.
또한, 상기 제1 결정 구조 정보는 상기 제1 소재의 배위수 및 상기 제1 소재의 혼합 계수를 포함하고, 상기 제2 결정 구조 정보는 상기 제3 소재의 배위수 및 상기 제3 소재의 혼합 계수를 포함하며, 상기 학습 모델은 상기 제1 소재의 배위수, 상기 제1 소재의 혼합 계수, 상기 제3 소재의 배위수 및 상기 제3 소재의 혼합 계수에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 제1 소재와 상기 제3 소재의 유사도에 기초하여 상기 복수의 제2 소재들 각각의 주성분 벡터의 계수에 적용될 가중치를 결정하고, 상기 결정된 가중치에 기초하여 상기 제1 그래프를 생성하는데 이용되는 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 적어도 하나의 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터를 생성하고, 상기 생성된 이미지 벡터를 행렬로 변환하며, 상기 변환된 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 행렬을 에너지 준위 별로 상태 밀도가 존재할 확률을 나타내는 확률 행렬로 변환하고, 상기 변환된 확률 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습 된 것일 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 개시된 제1 소재의 전자 구조를 예측하는 전자 장치의 일 실시예는 상기 제1 소재를 구성하는 원소들에 관련된 사용자의 입력 데이터를 수신하는 사용자 입력부, 상기 수신된 입력 데이터를, 상기 제1 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하는 프로세서 및 상기 학습 모델로부터 출력되는 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 제1 그래프를 출력하는 출력부를 포함하며, 상기 학습 모델은, 상기 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 대한 기 입력된 데이터 및 상기 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도를 나타내는 복수의 제2 그래프에 기초하여, 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 복수의 제2 그래프를 격자 이미지로 각각 변환하고, 상기 복수의 제2 그래프가 변환된 복수의 격자 이미지에 기초하여 상기 제1 그래프의 특성을 나타낼 적어도 하나의 주성분 벡터를 결정하고, 상기 결정된 적어도 하나의 주성분 벡터에 기초하여 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 수신된 사용자의 입력 데이터로부터 상기 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 조성 정보 및 상기 제1 소재의 결정 구조(crystal structure)를 나타내는 결정 구조 정보 중 적어도 하나를 획득하고, 상기 획득된 조성 정보 및 결정 구조 정보 중 적어도 하나에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하며, 상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 조성 정보는 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율d-오비탈의 전자 점유율을 포함하고, 상기 학습 모델은 상기 획득된 d-오비탈의 전자 점유율d-오비탈의 전자 점유율들에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것일 수 있다.
또한, 상기 결정 구조 정보는 상기 제1 소재의 배위수 및 상기 제1 소재의 혼합 계수 중 적어도 하나를 포함하고, 상기 학습 모델은 상기 획득된 배위수 및 혼합 계수 중 적어도 하나에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 제1 소재를 구성하는 복수의 원소들의 종류에 기초하여 상기 조성 정보 및 상기 결정 구조 정보 각각에 적용될 가중치를 결정하고, 상기 결정된 가중치에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 복수의 제2 소재들 각각과 상기 제1 소재의 유사도를 결정하고, 상기 결정된 유사도에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하며, 상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 수신된 사용자의 입력 데이터로부터 상기 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 제1 조성 정보 및 상기 제1 소재의 결정 구조(crystal structure)를 나타내는 제1 결정 구조 정보를 획득하고, 상기 학습 데이터로부터 상기 복수의 제2 소재들 중 하나인 제3 소재의 제2 조성 정보 및 제2 결정 구조 정보를 획득하며, 상기 획득된 제1 조성 정보 및 제1 결정 구조 정보, 제2 조성 정보 및 제2 결정 구조 정보에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것일 수 있다.
또한, 상기 제1 조성 정보는 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율을 포함하고, 상기 제2 조성 정보는 상기 제3 소재를 구성하는 원소들 각각의 d-오비탈의 전자 점유율을 포함하며, 상기 학습 모델은 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율 및 상기 제3 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것일 수 있다.
또한, 상기 제1 결정 구조 정보는 상기 제1 소재의 배위수 및 상기 제1 소재의 혼합 계수를 포함하고, 상기 제2 결정 구조 정보는 상기 제3 소재의 배위수 및 상기 제3 소재의 혼합 계수를 포함하며, 상기 학습 모델은 상기 제1 소재의 배위수, 상기 제1 소재의 혼합 계수, 상기 제3 소재의 배위수 및 상기 제3 소재의 혼합 계수에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 제1 소재와 상기 제3 소재의 유사도에 기초하여 상기 복수의 제2 소재들 각각의 주성분 벡터의 계수에 적용될 가중치를 결정하고, 상기 결정된 가중치에 기초하여 상기 제1 그래프를 생성하는데 이용되는 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 적어도 하나의 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터를 생성하고, 상기 생성된 이미지 벡터를 행렬로 변환하며, 상기 변환된 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습된 것일 수 있다.
또한, 상기 학습 모델은, 상기 행렬을 에너지 준위 별로 상태 밀도가 존재할 확률을 나타내는 확률 행렬로 변환하고, 상기 변환된 확률 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습 된 것일 수 있다.
또한, 상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 컴퓨터로 읽을 수 있는 비 일시적인 기록매체는 개시된 방법의 일실시예를 컴퓨터에서 실행시키기 위한 프로그램을 기록한 것일 수 있다.
도 1은 일 실시예에 따른, 소재의 전자 구조를 예측하는 방법의 예시를 설명하는 도면이다.
도 2는 일 실시예에 따른, 소재의 전자 구조를 예측하는 방법의 흐름도이다.
도 3은 일 실시예에 따른, 소재의 전자 구조를 예측하기 위한 데이터를 머신 러닝 하는 방법의 흐름도이다.
도 4는 일 실시예에 따른, 소재의 전자 구조를 예측하기 위한 데이터를 머신 러닝 하는 방법을 나타낸 개념도이다.
도 5는 일 실시예에 따른, 격자 이미지로 변환한 소재의 에너지 준위 별 상태 밀도 그래프를 학습 모델에 적용하기 위한 인식 데이터로 변환하는 것을 나타내는 도면이다.
도 6은 일 실시예에 따른, 학습데이터로 입력된 복수의 소재의 복수의 에너지 준위 별 상태 밀도 그래프에 대한 주성분 벡터를 결정하는 것을 나타내는 개념도이다.
도 7a는 일 실시예에 따른, 소재의 에너지 준위 별 상태 밀도 그래프를 생성하는 방법의 흐름도이다.
도 7b는 일 실시예에 따른, 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분 벡터의 계수를 결정하는 방법의 흐름도이다.
도 8은 일 실시예에 따른, 소재의 에너지 준위 별 상태 밀도 그래프를 생성하는 방법을 나타낸 개념도이다.
도 9a 및 도 9b는 일 실시예에 따른, 주성분의 계수와 d-오비탈의 전자 점유율 간의 관계를 나타낸 그래프이다.
도 10a는 일 실시예에 따른, 소재들 각각에 대응하는 배위수, 혼합 계수 및 원소들의 d-오비탈의 전자 점유율을 나타내는 표이다.
도 10b는 일 실시예에 따른, 주성분의 계수와 d-오비탈의 전자 개수, 배위수 및 혼합 계수간의 관계를 나타낸 그래프이다.
도 11은 일 실시예에 따른, 전자 구조를 예측할 소재와 소재를 구성하는 원소들 중 적어도 하나로 구성된 소재들의 유사도를 나타낸 것이다.
도 12a는 일 실시예에 따른, 전자 구조를 예측할 소재와 소재를 구성하는 원소들 중 적어도 하나로 구성된 소재들의 유사도에 기초하여 주성분 벡터의 계수를 결정하는 방법을 나타낸 것이다.
도 12b는 일 실시예에 따른, 소재들 각각에 대응하는 배위수, 혼합 계수 및 원소들의 d-오비탈의 전자 점유율을 나타내는 표이다.
도 13은 일 실시예에 따른, 소재의 에너지 준위 별 상태 밀도 그래프를 추정하기 위한 확률 행렬을 나타낸 것이다.
도 14a 내지 도 14f는 일 실시예에 따른, 학습 모델을 이용하여 추정된 에너지 준위 별 상태 밀도 그래프와 DFT에 따른 추정된 에너지 준위 별 상태 밀도 그래프를 도시한 것이다.
도 15a 및 도 15b는 일 실시예에 따른 추정된 에너지 준위 별 상태 밀도 그래프를 생성한 결과와 DFT에 따른 추정된 에너지-상태 밀도 그래프를 생성한 결과를 비교한 것이다.
도 16은 일 실시예에 따른, 전자 장치의 블록도이다.
도 17은 일 실시예에 따른, 전자 장치의 제어부의 블록도이다.
도 18은 일 실시예에 따른, 전자 장치와 연동하는 서버의 블록도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단” 및 “구성”등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
또한, 본 명세서에서 사용되는 “제 1” 또는 “제 2” 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다.
예를 들면, 본 명세서에서는 전자 구조를 예측할 소재를 제1 소재로 기재하고, 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 소재를 제2 소재로 기재하였으나, 이는 제1 소재와 제2 소재를 구분하기 위하여 사용한 것일 뿐이므로, 이에 의해서 한정되어서는 안 된다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 일 실시예에 따른, 소재의 전자 구조를 예측하는 방법의 예시를 설명하는 도면이다.
도 1을 참조하면, 전자장치(1000)는 소재를 구성하는 원소에 대한 데이터를 입력받을 수 있다. 전자 장치(1000)는 사용자로부터 입력된 데이터에 기초하여 소재의 전자 구조를 예측할 수 있다. 전자 장치(1000)는 소재의 전자 구조의 예측 결과를 출력할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 전자 구조를 예측할 제1 소재를 구성하는 원소에 대한 데이터를 입력받을 수 있다. 또한, 전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위하여 학습 모델에 적용할 학습 데이터로서, 복수의 제2 소재들에 대한 데이터를 입력받을 수 있다. 제2 소재들은 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성될 수 있다.
일 실시예에 따르면, 전자장치(1000)에 입력되는 제1 소재를 구성하는 원소에 관한 데이터는 제1 소재를 구성하는 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등에 대한 데이터를 포함할 수 있으나, 이에 제한되지 않는다.
일 실시예에 따르면, 전자 장치(1000)는 사용자로부터 입력된 제1 소재를 구성하는 원소의 개수, 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등에 대한 데이터를 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하여 소재의 전자 구조를 예측할 수 있다.
일 실시예에 따르면, 학습 모델은 제1 소재들을 구성하는 원소들에 대한 복수의 기 입력된 데이터 각각에 대응하는 복수의 제2 소재들의 전자 구조를 예측하기 위한 그래프에 기초하여, 사용자로부터 입력된 제1 소재에 대응하는 그래프를 생성하도록 학습된 것일 수 있다. 예를 들면, 학습 모델은 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 대한 기 입력된 데이터에 대응하는 및 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도 그래프에 기초하여, 사용자로부터 입력된 제1 소재의 에너지 준위 별 상태밀도 그래프를 생성하도록 학습된 것일 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 사용자로부터 입력된 제1 소재를 구성하는 원소의 개수, 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등에 대한 데이터에 기초하여, 제1 소재의 전자 구조를 예측하기 위한 그래프를 생성할 수 있다. 예를 들면, 전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위하여 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있고, 생성된 제1 소재의 에너지 준위 별 상태 밀도 그래프를 출력할 수 있다.
도 2는 일 실시예에 따른, 소재의 전자 구조를 예측하는 방법의 흐름도이다.
단계 210을 참조하면, 전자 장치(1000)는 사용자로부터 소재를 구성하는 원소들에 관련된 데이터를 수신할 수 있다. 즉, 전자 장치(1000)는 사용자가 전자 구조를 예측하고 싶은 제1 소재에 관련된 데이터를 사용자로부터 수신할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 사용자로부터 제1 소재를 구성하는 원소의 개수, 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등에 대한 데이터를 수신할 수 있으나, 이에 제한되지 않는다.
단계 220을 참조하면, 전자 장치(1000)는 사용자로부터 수신한 제1 소재를 구성하는 원소들에 관련된 데이터를 소재의 전자 구조를 예측하기 위한 학습 모델에 적용할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 사용자로부터 입력된 제1 소재를 구성하는 원소의 개수, 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등에 대한 를 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용할 수 있다. 소재의 상태 밀도를 추정하기 위한 학습 모델은 아래에서 도 3을 참조하여 설명한다.
단계 230을 참조하면, 전자 장치(1000)는 학습 모델로부터 출력되는 제1 소재의 전자 구조 예측 결과를 출력할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 학습 모델로부터 제1 소재의 상태 밀도 데이터, 제1 소재의 격자 상수와 같은 원자구조 정보를 출력할 수 있으나, 이에 제한되지 않는다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재의 상태 밀도 데이터를 소재의 에너지 준위 별 상태 밀도 그래프로 출력할 수 있으나, 이에 제한되지 않는다.
일 실시예에 따르면, 학습 모델로부터 출력되는 제1 소재의 에너지 준위 별 상태 밀도 그래프는 학습 모델에서 결정된 주성분에 기초하여 생성된 것일 수 있으나, 이에 제한되지 않는다.
일 실시예에 따르면, 학습 모델로부터 출력되는 제1 소재의 에너지 준위 별 상태 밀도 그래프는 제1 소재를 구성하는 원소들에 대한 사용자의 입력 데이터에 기초하여 결정된 주성분의 개수에 기초하여 생성된 것일 수 있으나, 이에 제한되지 않는다.
일 실시예에 따르면, 학습 모델로부터 출력되는 제1 소재의 에너지 준위 별 상태 밀도 그래프는 적어도 하나의 주성분 벡터와 적어도 하나의 주성분 벡터의 계수의 선형 조합으로 생성된 것일 수 있으나, 이에 제한되지 않는다. 예를 들면, 학습 모델로부터 출력되는 제1 소재의 에너지 준위 별 상태 밀도 그래프는 수학식 1에 기초해서 생성된 것일 수 있다.
Figure PCTKR2018009278-appb-M000001
여기서 DOS(E)는 제1 소재의 에너지 준위 별 상태 밀도 그래프를 나타내는 이미지 벡터이고, PC1(E)는 제1 소재의 에너지 준위 별 제1 주성분 그래프를 나타내는 제1 주성분 벡터이며, PC2(E)는 제1 소재의 에너지 준위 별 제2 주성분 그래프를 나타내는 제2 주성분 벡터이고, PC3(E)는 제1 소재의 에너지 준위 별 제3 주성분 그래프를 나타내는 제3 주성분 벡터이며, PC4(E)는 제1 소재의 에너지 준위 별 제4 주성분 그래프를 나타내는 제4 주성분 벡터이고, α1는 제1 주성분 벡터의 계수이며, α2는 제2 주성분 벡터의 계수이고, α3는 제3 주성분 벡터의 계수이며, α4는 제4 주성분 벡터의 계수이다.
전자 장치(1000)가 제1 소재의 에너지 준위 별 상태 밀도 그래프를 출력하는 방법에 대해서는 아래에서 도 6 내지 도 11을 참조하여 설명한다.
도 3은 일 실시예에 따른, 소재의 전자 구조를 예측하기 위한 데이터를 머신 러닝 하는 방법의 흐름도이고, 도 4는 일 실시예에 따른, 소재의 전자 구조를 예측하기 위한 데이터를 머신 러닝 하는 방법을 나타낸 개념도이다.
단계 310을 참조하면, 전자 장치(1000)는 학습 모델이 제1 소재의 전자 구조를 예측하기 위한 기준을 학습하기 위한 학습 데이터를 사용자로부터 수신할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 관련된 데이터 및 복수의 제2 소재들의 전자 구조를 예측한 결과를 학습 데이터로 사용자로부터 수신할 수 있다. 복수의 제2 소재들에 관련된 복수의 데이터는 복수의 제2 소재들 각각을 구성하는 원소의 개수, 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등을 포함할 수 있으나, 이에 제한되지 않는다. 복수의 제2 소재들 각각의 전자 구조를 예측한 결과는 복수의 제2 소재들 각각의 상태 밀도 데이터를 포함할 수 있다. 또한, 상태 밀도 데이터는 에너지 준위 별 상태 밀도 그래프를 포함할 수 있으나, 이에 제한되지 않는다.
도 4를 참조하면, 전자 장치(1000)는 원소 A와 B로 구성된 제1 소재의 전자 구조를 예측하기 위한 학습 데이터로서, 원소 A 및 B 중 적어도 일부로 구성된 복수의 제2 소재들에 관련된 데이터를 사용자로부터 수신할 수 있다.
예를 들면, 전자 장치(1000)는 복수의 제2 소재들에 관련된 데이터로서, 제2 소재들의 화학식인 [A], [A0. 75B0 .25], [A0. 5B0 .5], [A0. 25B0 .75] 및 [B] 및 이들의 에너지 준위 별 상태 밀도 그래프(410a, 410b, 410c, 410d, 410e)를 사용자로부터 수신할 수 있다. 전자 장치(1000)는 사용자로부터 수신된 학습 데이터가 많을수록, 제1 소재의 전자 구조를 정확하게 예측할 수 있다.
단계 320을 참조하면, 전자 장치(1000)는 사용자로부터 수신된 학습 데이터를 학습 모델에 적용하기 위한 인식 데이터로 변환할 수 있다. 전자 장치(1000)는 변환된 인식 데이터를 이용하여 학습 모델에 적용할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 수신된 복수의 제2 소재들에 관련된 데이터 및 복수의 제2 소재의 전자 구조를 예측한 결과를 학습 모델에 적용하기 위한 인식 데이터로 변환할 수 있다. 예를 들면, 복수의 제2 소재들의 에너지 준위 별 상태 밀도 그래프들 각각을 격자 이미지로 변환할 수 있으나, 이에 제한되지 않는다.
도 4를 참조하여 예를 들면, 전자 장치(1000)는 수신된 복수의 제2 소재들의 에너지 준위 별 상태 밀도 그래프(410a, 410b, 410c, 410d, 410e)들 각각을 MxN(M 및 N은 자연수) 격자 이미지(411)로 변환할 수 있다. 또한, 전자 장치(1000)는 격자 이미지(411)들을 MxN 행렬들로 변환할 수 있다. 또한, 전자 장치(1000)는 MxN 행렬들을 이미지 벡터(412)들로 변환할 수 있다.
단계 330을 참조하면 전자 장치(1000)는 학습 모델에 적용된 인식 데이터를 이용하여 제1 소재의 전자 구조를 예측하기 위한 기준을 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 변환된 복수의 격자 이미지들을 이용하여 제1 소재의 전자 구조를 예측하기 위한 기준을 결정할 수 있다. 또는, 전자 장치(1000)는 격자 이미지(411)들이 변환된 행렬들을 이용하여 제1 소재의 전자 구조를 예측하기 위한 기준을 결정할 수 있다. 또는, 전자 장치(1000)는 행렬들이 변환된 이미지 벡터(412)들을 이용하여 제1 소재의 전자 구조를 예측하기 위한 기준을 결정할 수 있다.
일 실시예에 따르면, 제1 소재의 전자 구조를 예측하기 위한 기준은 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분 벡터일 수 있다. 또한, 전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위한 기준으로서 주성분 벡터의 계수를 결정할 수 있다. 또한, 전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위한 기준으로서 주성분 벡터의 계수와 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈 전자 점유율, 제1 소재의 배위수(coordination number, CN) 및 제1 소재의 혼합 계수(Mixing Factor, Fmix) 중 적어도 하나와의 관계를 결정할 수 있다.
도 5는 일 실시예에 따른, 격자 이미지로 변환한 소재의 에너지 준위 별 상태 밀도 그래프를 학습 모델에 적용하기 위한 인식 데이터로 변환하는 것을 나타내는 도면이다.
일 실시예에 따르면, 전자 장치(1000)는 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도 그래프들을 기설정된 개수의 격자로 구성된 격자 이미지로 변환할 수 있다. 예를 들면, 전자 장치(1000)는 복수의 제2 소재들의 에너지 준위 별 상태 밀도 그래프들 각각을 가로가 M개의 격자(M은 자연수)이고, 세로가 N개의 격자(N는 자연수)로 구성된 격자 이미지로 변환할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 격자 이미지를 구성하는 격자들 각각에 데이터 값을 입력할 수 있다. 예를 들면, 전자 장치(1000)는 격자 이미지를 구성하는 격자들 중 제2 소재의 에너지 준위 별 상태 밀도 그래프를 구성하는 에너지 준위별 상태 밀도 함수 곡선에 대응되는 격자들에는 1의 값을 입력할 수 있고, 나머지 격자들에는 0의 값을 입력할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 격자 이미지를 행렬로 변환할 수 있다. 예를 들면, 전자 장치(1000)는 복수의 격자 각각에 입력된 데이터 값을 대응되는 행렬의 성분에 입력함으로써 MxN 격자 이미지를 MxN 행렬로 변환할 수 있다. 여기서 행렬은 학습 데이터로 입력된 제2 소재의 에너지 준위 별 상태 밀도를 나타낸다.
일 실시예에 따르면, 전자 장치(1000)는 MxN 행렬을 이미지 벡터로 변환할 수 있다. 여기서 이미지 벡터는 학습 데이터로 입력된 제2 소재의 에너지 준위 별 상태 밀도를 나타낸다. 도 4를 참조하여 예를 들면, 전자 장치(1000)는 MxN 행렬의 좌상단부터 우하단에 입력된 값을 1xL 행렬(여기서 L 은 자연수 M과 자연수 N의 곱한 결과값을 의미한다)에 순차적으로 대입함으로써, MxN 행렬을 이미지 벡터(412)로 변환할 수 있다.
도 6는 일 실시예에 따른, 학습 데이터로 입력된 복수의 소재들의 에너지 준위 별 상태 밀도 그래프에 대한 주성분 벡터를 결정하는 것을 나타내는 개념도이다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위한 기준으로서 에너지 준위 별 상태 밀도 그래프에 대한 적어도 하나의 주성분 벡터을 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 수신한 복수의 제2 소재들에 대한 데이터 및 복수의 제2 소재들 각각의 상태 밀도 데이터를 이용하여 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분(v1, v2) 벡터를 결정할 수 있다. 예를 들면, 전자 장치(1000)는 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도 데이터에 대한 공분산을 이용하여 적어도 하나의 주성분 벡터를 결정할 수 있다. 제2 소재의 상태 밀도 데이터는 에너지 준위 별 상태 밀도 그래프를 포함할 수 있으나, 이에 제한되지 않는다.
예를 들면, 전자 장치(1000)는 제1 학습 데이터(Data1)로서 소재 [A25B75]에 관련된 데이터 및 소재 [A25B75]의 에너지 준위 별 상태 밀도 그래프, 제2 학습 데이터(Data2)로서 소재 [A50B50]에 관련된 데이터 및 소재 [A50B50]의 에너지 준위 별 상태 밀도 그래프, 제3 학습 데이터(Data3)로서 소재 [A75B25]에 관련된 데이터 및 소재 [A75B25]의 에너지 준위 별 상태 밀도 그래프를 사용자로부터 입력 데이터로 수신할 수 있다.
또한, 전자 장치(1000)는 입력된 복수의 제2 소재들에 관련된 데이터 각각을 학습 모델에 적용하기 위한 인식 데이터로 변환할 수 있다. 예를 들면, 전자 장치(1000)는 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도 그래프를 격자 이미지로 변환할 수 있다. 전자 장치(1000)는 복수의 격자 이미지들을 행렬로 변환할 수 있다.
또한, 전자 장치(1000)는 복수의 행렬들 각각을 이미지 벡터로 변환할 수 있다. 도 4를 참조하여 예를 들면, 전자 장치(1000)는 복수의 에너지 준위 별 상태 밀도 그래프(410a, 410b, 410c, 410d, 410e) 각각을 MxN 격자 이미지(411)로 변환할 수 있다. 또한, 전자 장치(1000)는 격자 이미지(411)를 MxN 행렬로 변환할 수 있다. 또한, 전자 장치(1000)는 MxN 행렬을 이미지 벡터(412)로 변환할 수 있다. 일 실시예에 따르면, 전자 장치(1000)는 복수의 행렬 또는 복수의 이미지 벡터에 기초하여 복수의 에너지 준위 별 상태 밀도 그래프에 대한 적어도 하나의 주성분 벡터를 결정할 수 있다. 전자 장치(1000)는 복수의 행렬이 변환된 이미지 벡터를 이용하여 공분산을 산출할 수 있다. 예를 들면, 전자 장치(1000)는 복수의 행렬 또는 복수의 이미지 벡터에 대하여 주성분 분석(Principal component analysis; PCA)을 수행함으로써 주성분 벡터를 결정할 수 있다.
또한, 전자 장치(1000)는 변환된 복수의 행렬 또는 복수의 이미지 벡터의 공분산을 산출할 수 있다. 전자 장치(1000)는 산출된 공분산에 기초하여 적어도 하나의 고유 벡터(eigenvector) 및 적어도 하나의 고유값(eigenvalue)을 산출할 수 있다. 전자 장치(1000)는 산출된 적어도 하나의 고유 벡터를 주성분 벡터로 결정할 수 있다.
도 4를 참조하여 예를 들면, 전자 장치(1000)는 복수의 행렬이 변환된 이미지 벡터(412)들을 이용하여 공분산 행렬(420)을 생성할 수 있다. 전자 장치(1000)는 공분산 행렬로부터 적어도 하나의 고유 벡터(430a, 430b, 430c, 430d) 및 적어도 하나의 고유값(λ1, λ2, λ3, λ4)을 산출할 수 있다. 전자 장치(1000)는 산출된 적어도 하나의 고유 벡터(430a, 430b, 430c, 430d) 및 적어도 하나의 고유값(λ1, λ2, λ3, λ4)을 이용하여 적어도 하나의 주성분 벡터를 결정할 수 있다.
도 6의 우측 그래프를 참조하면, 전자 장치(1000)는 입력된 복수의 제2 소재들에 대한 입력 데이터 각각을 그래프와 같이 나타낼 수 있다. 그래프에 표시된 복수의 원들 각각은 사용자로부터 입력된 복수의 학습 데이터(Data1, Data2, Data3) 각각에 대응될 수 있다. 전자 장치(1000)는 그래프로부터 복수의 에너지 준위 별 상태 밀도 그래프들에 대한 분산값(σ1, σ2)을 결정할 수 있다. 전자 장치(1000)는 결정된 분산값(σ1, σ2)에 기초하여 복수의 에너지 준위 별 상태 밀도 그래프들에 대한 주성분(v1, v2) 벡터를 결정할 수 있다. 예를 들면, 그래프의 우상향 방향의 분산값(σ2)이 그래프의 좌상향 방향의 분산값(σ1)보다 작다. 따라서, 전자 장치(1000)는 우상향 방향의 주성분(v1) 벡터를 제1 주성분 벡터로 결정할 수 있고, 좌상향 방향의 주성분(v2) 벡터를 제2 주성분 벡터로 결정할 수 있다. 도 6에서는 2개의 주성분 벡터를 결정하는 것을 도시하였지만, 이는 주성분 벡터를 결정하는 것을 설명하기 위한 것일 뿐, 이에 한정되지 않는다.
일 실시예에 따르면, 전자 장치(1000)는 산출된 적어도 하나의 고유 벡터 및 적어도 하나의 고유 값을 이용하여 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분 벡터를 결정할 수 있다. 예를 들면, 전자 장치(1000)는 산출한 복수의 고유 벡터 중 고유 값이 높은 순으로 우선순위가 높은 고유 벡터를 주성분 벡터로 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위한 기준으로서 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분 벡터의 개수를 결정할 수 있다. 주성분 벡터의 개수는 제1 소재를 구성하는 복수의 원소들에 대한 복수의 데이터에 기초하여 결정될 수 있으나, 이에 제한되지 않는다. 예를 들면, 주성분 벡터의 개수는 제1 소재를 구성하는 원소의 개수, 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등에 기초하여 결정될 수 있으나, 이에 제한되지 않는다. 주성분 벡터의 개수는 학습 데이터로 입력된 복수의 제2 소재들에 대한 데이터에 기초하여 결정될 수 있으나, 이에 제한되지 않는다.
예를 들면, 제1 소재를 구성하는 원소가 2개 인 경우, 전자 장치(1000)는 원소의 개수, 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등에 기초하여 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분 벡터의 개수를 2 내지 4로 결정할 수 있다. 전자 장치(1000)는 결정된 주성분 벡터의 개수에 기초하여 분산 값이 작은 차원에 대응되는 주성분 벡터를 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분 벡터로 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위한 기준으로서 주성분 벡터의 계수를 결정할 수 있다. 전자 장치(1000)는 생성된 제1 소재의 에너지 준위 별 상태 밀도 그래프와 학습 데이터에 포함된 복수의 제2 소재들의 에너지 준위 별 상태 밀도 그래프를 비교함으로써, 제1 소재의 에너지 준위 별 상태 밀도의 특성을 나타내는 적어도 하나의 주성분 벡터의 계수를 결정할 수 있다. 전자 장치(1000)는 제1 소재를 구성하는 원소들의 d-오비탈의 전자 점유율, 제1 소재의 배위수 및 제1 혼합 계수 중 적어도 하나에 기초하여 주성분 벡터들(PC1, PC2, PC3, PC4) 각각의 계수(α1, α2, α3, α4)를 결정할 수 있다. 주성분 벡터들 각각의 계수를 구하는 방법은 도 9a 내지 도 9b를 참조하여 아래에서 구체적으로 설명한다.
도 7a는 일 실시예에 따른, 소재의 에너지 준위 별 상태 밀도 그래프를 생성하는 방법의 흐름도이고, 도 8은 일 실시예에 따른, 소재의 에너지 준위 별 상태 밀도 그래프를 생성하는 방법을 나타낸 도면이다.
전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위해서, 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하고 출력할 수 있다.
단계 710을 참조하면, 전자 장치(1000)는 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 적어도 하나의 주성분 벡터를 결정할 수 있다. 전자 장치(1000)는 학습 데이터로 입력된 복수의 에너지 준위 별 상태 밀도 그래프가 변환된 복수의 행렬 또는 복수의 이미지 벡터에 대하여 주성분 분석(Principal component analysis; PCA)을 수행함으로써 적어도 하나의 주성분 벡터를 결정할 수 있다. 전자 장치(1000)는 복수의 이미지 벡터들을 이용하여 생성된 공분산 행렬로부터 적어도 하나의 고유 벡터 및 적어도 하나의 고유값을 산출할 수 있다. 전자 장치(1000)는 산출된 고유 벡터 및 고유값을 이용하여 적어도 하나의 주성분 벡터를 결정할 수 있다. 전자 장치(1000)가 주성분을 결정하는 방법은 도 6을 참조하여 위에서 설명하였으므로, 중복되는 내용은 생략한다.
단계 730을 참조하면, 전자 장치(1000)는 단계 710에서 결정된 적어도 하나의 주성분 벡터의 계수를 결정할 수 있다.
여기서, 제1 계수는 단계 710에서 결정된 적어도 하나의 주성분 벡터에 대하여 제1 소재의 에너지 준위 별 상태 밀도의 특성을 나타내기 위한 계수를 의미한다. 또한, 제2 계수는 단계 710에서 결정된 적어도 하나의 주성분 벡터에 대하여 제2 소재의 에너지 준위 별 상태 밀도의 특성을 나타내기 위한 계수를 의미한다. 제1 계수 및 제2 계수는 서로를 구분하기 위해서 사용한 것일 뿐이므로, 이에 의해서 한정되어서는 안 된다.
일 실시예 따르면, 전자 장치(1000)는 사용자로부터 수신한 제1 소재에 관련된 데이터를 학습 모델에 적용함으로써, 적어도 하나의 주성분 벡터의 제1 계수를 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재의 원자 구조 정보(atomic structure information)에 기초하여 적어도 하나의 주성분 벡터의 제1 계수를 결정할 수 있다. 여기서, 제1 소재의 원자 구조 정보는 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조(electronic structure)를 나타내는 조성 정보(composition information) 및 제1 소재의 결정 구조(crystal structure)를 나타내는 결정 구조 정보를 포함할 수 있다. 조성 정보는 원소의 d-오비탈의 전자 점유율(d-orbital electron occupation rate, nd)을 포함할 수 있다. 결정 구조 정보는 배위수(coordinate number, CN) 및 혼합 계수(Mixing factor, Fmix)를 포함할 수 있다. d-오비탈의 전자 점유율은 도 9a 및 도 9b를 참조하여 아래에서 구체적으로 설명한다. 배위수 및 혼합 계수에 대해서는 도 10a를 참조하여 아래에서 구체적으로 설명한다.
일 실시예에 따르면, 전자 장치(1000)는 학습 데이터로 입력된 제2 소재에 대한 데이터로부터 단계 710에서 결정된 주성분 벡터의 제2 계수를 결정할 수 있다. 전자 장치(1000)는 결정된 제2 계수와 제2 소재의 조성 정보와의 관계를 추정할 수 있다. 전자 장치(1000)는 결정된 제2 계수와 제2 소재의 결정 구조 정보와의 관계를 추정할 수 있다. 도 8을 참조하여 예를 들면, 제2 계수와 제2 소재의 조성 정보와의 관계를 선형 그래프(830)로 추정할 수 있다. 또한, 제2 계수와 제2 소재의 결정 구조 정보와의 관계를 선형 그래프(830)로 추정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 추정된 관계로부터 주성분 벡터의 제1 계수를 결정할 수 있다. 도 8을 참조하여 예를 들면, 전자 장치(1000)는 선형 그래프(830)에 선형 보간법(linear interpolation)을 수행함으로써 제1 계수(α')를 결정할 수 있다. 이 경우, 전자 장치(1000)는 학습 데이터(810) 중에서 제1 소재의 조성 정보(x')와 유사한 제2 소재들의 조성 정보(x0, x1)에 대한 제2 계수(α0, α1)들에 기초하여 제1 계수(α')를 결정할 수 있다. 전자 장치(1000)는 제2 소재들의 조성 정보(x0, x1)에 대한 제2 계수(α0, α1)를 선형 그래프(830)로 추정할 수 있다. 전자 장치(1000)는 선형 그래프(830)에 선형 보간법(linear interpolation)을 수행함으로써, 제1 소재의 조성 정보(x')에 대응하는 제1 계수(α')를 결정할 수 있다. 선형 보간법은 제2 소재의 결정 구조 정보와 제2 계수의 관계에 기초하여, 제1 소재의 결정 구조에 대응하는 제1 계수를 결정하는 방법에도 적용될 수 있다.
전자 장치(1000)는 제2 소재들 각각의 d-오비탈의 전자 점유율(d-orbital electron occupation rate, nd)과 제2 계수들 사이의 관계를 도 9a 및 도 9b와 같이 선형 관계로 추정할 수 있다.
또한, 전자 장치(1000)는 제2 소재들 각각의 d-오비탈의 전자 점유율, 제2 소재들 각각의 배위수 및 제2 소재들 각각의 혼합 계수와 제2 계수들 사이의 관계를 도 10b와 같이 선형 관계로 추정할 수 있다. 전자 장치(1000)는 추정된 선형 관계에 선형 보간법을 수행함으로써, 제1 소재의 d-오비탈의 전자 점유율에 대응하는 제1 계수, 제1 소재의 배위수에 대응하는 제1 계수 및 제1 소재의 혼합 계수에 대응하는 제1 계수를 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 조성 정보 및 결정 구조 정보 각각에 적용될 가중치를 결정할 수 있다. 전자 장치(1000)는 제1 소재를 구성하는 원소의 종류에 기초하여 조성 정보 및 결정 구조 정보 각각에 적용될 가중치를 결정할 수 있다. 전자 장치(1000)는 결정된 가중치를 조성 정보 및 결정 구조 정보 각각에 적용함으로써 제1 계수를 결정할 수 있다.
예를 들면, 전자 장치(1000)는 제1 소재의 d-오비탈의 전자 점유율에 적용될 가중치, 제1 소재의 배위수에 적용될 가중치, 제1 소재의 혼합 계수에 적용될 가중치를 결정할 수 있다.
또한, 전자 장치(1000)는 가중치가 적용된 제1 소재의 d-오비탈의 전자 점유율에 대응하는 제1 계수, 제1 소재의 배위수에 대응하는 제1 계수 및 제1 소재의 혼합 계수에 대응하는 제1 계수를 선형 결합함으로써, 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 제1 계수를 결정할 수 있다.
조성 정보 및 결정 구조 정보 각각에 가중치를 적용하여 주성분들 각각의 계수를 결정하는 방법은 도 10a 및 도 10b를 참조하여 아래에서 구체적으로 설명한다.
단계 750을 참조하면, 전자 장치(1000)는 단계 710에서 결정된 주성분 벡터 및 단계 730에서 결정된 주성분 벡터의 계수에 기초하여 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터(850)를 생성할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 수학식 1과 같이 적어도 하나의 주성분 벡터 및 주성분 벡터의 계수를 선형 결합함으로써, 이미지 벡터(850)를 생성할 수 있다. 예를 들면, 학습 데이터로서 수신된 복수의 제2 소재의 에너지 준위 별 상태 밀도 그래프가 MxN(M 및 N은 자연수) 격자 이미지(411)로 변환된 경우, 제1 소재의 이미지 벡터(850)는 1xL 행렬(여기서 L 은 자연수 M과 자연수 N의 곱한 결과값을 의미한다)의 형태로 생성될 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 생성된 이미지 벡터(850)를 일시적인 저장소(예를 들면, 램(Random Access Memory, RAM))에 저장할 수 있다. 또는 전자 장치(1000)는 생성된 이미지 벡터(850)를 비 일시적인 저장장치(예를 들면, 데이터 스토리지(data storage))에 저장할 수 있다. 전자 장치(1000)는 저장된 이미지 벡터(850)를 이용하여 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다.
단계 770을 참조하면, 전자 장치(1000)는 생성된 이미지 벡터(850)에 기초하여 제1 소재의 전자 구조를 예측하기 위한 기준으로서 제1 소재의 에너지 준위 별 상태 밀도 그래프(890)를 생성할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 단계 750에서 생성된 제1 소재의 이미지 벡터(850)를 행렬로 변환할 수 있다. 예를 들면, 전자 장치(1000)는 1xL 행렬(여기서 L 은 자연수 M과 자연수 N의 곱한 결과값을 의미한다)의 형태로 제1 소재의 이미지 벡터(850)를 MxN 행렬로 변환할 수 있다. 전자 장치(1000)는 1xL 행렬에 포함된 값을 순차적으로 MxN 행렬의 좌상단 성분부터 우하단 성분에 대입함으로써, 제1 소재의 이미지 벡터(850)를 MxN 행렬로 변환할 수 있다. 여기서 행렬은 제1 소재의 에너지 준위 별 상태 밀도를 나타낸다.
일 실시예에 따르면, 전자 장치(1000)는 MxN 행렬을 MxN 격자 이미지로 변환함으로써 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다. 전자 장치(1000)는 MxN 행렬의 성분(entity) 각각에 입력된 데이터 값을 대응되는 MxN 격자 이미지의 각 격자에 입력함으로써 MxN 행렬을 MxN 격자 이미지로 변환할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 MxN 격자 이미지를 제1 소재의 에너지 준위 별 상태 밀도 그래프(890)로 변환할 수 있다. 예를 들면, 전자 장치(1000)는 MxN 격자 이미지의 각 격자에 입력된 데이터 값 중 0의 값을 갖는 격자는 에너지 준위 별 상태 밀도 함수 곡선이 존재하지 않는 영역(892)으로 변환하고, 0이 아닌 값을 갖는 격자는 에너지 준위 별 상태 밀도 함수 곡선이 존재하는 영역(891)으로 변환할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 MxN 행렬을 MxN 확률 행렬(870)로 변환하고, MxN 확률 행렬(870)을 MxN 격자 이미지로 변환할 수 있다. 전자 장치(1000)는 MxN 행렬을 MxN 확률 행렬(870)로 변환함으로써, MxN 행렬의 성분(entity) 각각에 입력된 데이터 값들 중 음(negative)의 데이터 값을 제거하고 정확한 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다. 전자 장치(1000)가 MxN 행렬을 MxN 확률 행렬로 변환하는 방법은 도 13을 참조하여 아래에서 구체적으로 설명한다.
도 7b는 일 실시예에 따른, 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분 벡터의 계수를 결정하는 방법의 흐름도이다.
단계 731을 참조하면, 전자 장치(1000)는 사용자로부터 수신한 입력 데이터로부터 제1 소재의 조성 정보 및 결정 구조 정보를 획득할 수 있다.일 실시예에 따르면, 제1 소재의 조성 정보는 제1 소재를 구성하는 원소들 각각의 d-오비탈의 전자 점유율(d-orbital electron occupation rate, nd)을 포함할 수 있다. 예를 들면, 제1 소재는 백금, 니켈 및 구리로 구성된 소재인 [Cu0 . 03Ni0 . 03Pt0 .94] 또는 [Cu0.31Ni0.31Pt0.38]일 수 있다. 제1 소재의 조성 정보는 백금의 d-오비탈의 전자 점유율(nd,pt), 니켈의 d-오비탈의 전자 점유율(nd,ni) 및 구리의 d-오비탈의 전자 점유율(nd,cu)를 포함할 수 있다. d-오비탈의 전자 점유율은 도 9a 및 도 9b를 참조하여 아래에서 구체적으로 설명한다.
일 실시예에 따르면, 제1 소재의 결정 구조 정보는 제1 소재의 배위수(coordinate number, CN) 및 혼합 계수(Mixing factor, Fmix)를 포함할 수 있다. 배위수 및 혼합 계수는 도 10a를 참조하여 아래에서 구체적으로 설명한다.
단계 733을 참조하면, 전자 장치(1000)는 학습 데이터로부터 복수의 제2 소재들의 조성 정보 및 결정 구조 정보를 획득할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 학습 데이터로 입력된 복수의 제2 소재들에 대한 데이터로부터 복수의 제2 소재들 각각의 조성 정보 및 결정 구조 정보를 획득할 수 있다. 전자 장치(1000)는 제1 소재와 유사한 복수의 제2 소재들 각각의 조성 정보 및 결정 구조 정보를 획득할 수 있다.
예를 들면, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]와 유사한 제2 소재 [Ni0 . 25Pt0 .75], [Cu0 . 25Pt0 .75] 및 [Pt] 각각의 조성 정보 및 결정 구조 정보를 획득할 수 있다. 즉, 전자 장치(1000)는 [Ni0 . 25Pt0 . 75]을 구성하는 Ni 및 Pt 각각의 d-오비탈의 전자 점유율, [Ni0 . 25Pt0 . 75]의 배위수 및 혼합 계수를 획득할 수 있다. 또한, 전자 장치(1000)는 [Cu0 . 25Pt0 . 75]을 구성하는 Cu 및 Pt 각각의 d-오비탈의 전자 점유율, [Cu0 . 25Pt0 . 75]의 배위수 및 혼합 계수를 획득할 수 있다. 또한, 전자 장치(1000)는 [Pt]의 d-오비탈의 전자 점유율 및 혼합 계수를 1로 획득하고, [Pt]의 배위수를 획득할 수 있다.
단계 735를 참조하면, 전자 장치(1000)는 제1 소재의 제1 조성 정보와 복수의 제2 소재들 각각의 제2 조성 정보를 비교하고, 제1 소재의 제1 결정 구조 정보와 복수의 제2 소재들 각각의 제2 결정 구조 정보를 비교함으로써, 복수의 제2 소재들 각각과 제1 소재의 유사도를 결정할 수 있다.
예를 들면, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 조성 정보와 제2 소재 [Ni0 . 25Pt0 .75], [Cu0 . 25Pt0 .75] 및 [Pt] 각각의 조성 정보를 비교할 수 있다. 즉, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]를 구성하는 백금, 니켈 및 구리 각각의 d-오비탈의 전자 점유율과 제2 소재 [Ni0 . 25Pt0 . 75]의 백금 및 니켈의 d-오비탈의 전자 점유율을 비교할 수 있다. 또한, 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]를 구성하는 백금, 니켈 및 구리 각각의 d-오비탈의 전자 점유율과 제2 소재 [Cu0 . 25Pt0 . 75]의 백금 및 구리의 d-오비탈의 전자 점유율을 비교할 수 있다. 또한, 제1 소재 [Cu0.03Ni0.03Pt0.94]를 구성하는 백금, 니켈 및 구리 각각의 d-오비탈의 전자 점유율과 제2 소재 [Pt]의 백금의 d-오비탈의 전자 점유율을 비교할 수 있다.
또한, 전자 장치(1000)는 예를 들면, 전자 장치(1000)는 제1 소재 [Cu0.03Ni0.03Pt0.94]의 조성 정보와 제2 소재 [Ni0 . 25Pt0 .75], [Cu0 . 25Pt0 .75] 및 [Pt] 각각의 결정 구조 정보를 비교할 수 있다. 즉, 전자 장치(1000)는 제1 소재 [Cu0.03Ni0.03Pt0.94]의 배위수 및 혼합 계수와 제2 소재 [Ni0 . 25Pt0 . 75]의 배위수 및 혼합 계수를 비교할 수 있다. 또한, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 배위수 및 혼합 계수와 제2 소재 [Cu0 . 25Pt0 . 75]의 배위수 및 혼합 계수를 비교할 수 있다. 또한, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 배위수 및 혼합 계수와 제2 소재 [Pt]의 배위수 및 혼합 계수를 비교할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재의 조성 정보와 복수의 제2 소재들 각각의 조성 정보를 비교한 결과 및 제2 소재의 결정 구조 정보와 복수의 제2 소재들 각각의 결정 구조 정보를 비교한 결과에 기초하여, 복수의 제2 소재들 각각과 제1 소재와의 유사도를 결정할 수 있다.
예를 들면, 전자 장치(1000)는 제1 소재의 제1 조성 정보와 복수의 제2 소재들 각각의 제2 조성 정보들의 차의 제곱값과, 제1 소재의 제1 결정 구조 정보와 수의 제2 소재들 각각의 제2 결정 구조 정보의 차의 제곱값을 선형 결합함으로써, 복수의 제2 소재들 각각과 제1 소재와의 유사도를 결정할 수 있다.
제1 소재와 복수의 제2 소재들 중 하나인 제3 소재의 유사도는 수학식 2와 같이 결정될 수 있다.
Figure PCTKR2018009278-appb-M000002
여기서, i는 제1 소재를 나타내는 지표이고, j는 제3 소재를 나타내는 지표이며,
Figure PCTKR2018009278-appb-I000001
는 제1 소재와 제3 소재의 유사도를 나타낸다. A, B 및 C는 제1 소재를 구성하는 원소를 나타낸다.
Figure PCTKR2018009278-appb-I000002
는 제1 소재의 A원소의 d-오비탈의 전자 점유율을 의미하고,
Figure PCTKR2018009278-appb-I000003
는 제1 소재의 B원소의 d-오비탈의 전자 점유율을 의미하며,
Figure PCTKR2018009278-appb-I000004
는 제1 소재의 C원소의 d-오비탈의 전자 점유율을 의미한다.
Figure PCTKR2018009278-appb-I000005
는 제3 소재의 A원소의 d-오비탈의 전자 점유율을 의미하고,
Figure PCTKR2018009278-appb-I000006
는 제3 소재의 B원소의 d-오비탈의 전자 점유율을 의미하며,
Figure PCTKR2018009278-appb-I000007
는 제3 소재의 C원소의 d-오비탈의 전자 점유율을 의미한다.
Figure PCTKR2018009278-appb-I000008
는 제1 소재의 혼합 계수를 의미하고,
Figure PCTKR2018009278-appb-I000009
는 제3 소재의 혼합 계수를 의미한다.
Figure PCTKR2018009278-appb-I000010
는 제1 소재의 배위수가 정규화(normalization)된 값이고,
Figure PCTKR2018009278-appb-I000011
는 제3 소재의 배위수가 정규화된 값이다. 소재의 배위수는 최대 배위수인 12로 소재의 배위수를 나눔으로써 정규화될 수 있다.
수학식 2에서 제1 소재를 구성하는 원소가 3개 인 것을 가정하였지만, 4개 이상인 경우도 유사하게 적용될 수 있다. 즉, d-오비탈의 전자 점유율의 차이의 제곱값을 원소의 개수에 대응하여 구함으로써, 제1 소재와 복수의 제2 소재들 중 하나인 제3 소재의 유사도를 결정할 수 있다.
단계 737을 참조하면, 전자 장치(1000)는 결정된 유사도에 기초하여, 적어도 하나의 주성분 벡터의 계수를 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 단계 735에서 결정된 제1 소재와 복수의 제2 소재들 각각의 유사도에 기초하여 복수의 제2 소재들 각각의 가중치를 결정할 수 있다.
예를 들면, 전자 장치(1000)는 수학식 3과 같이 복수의 제2 소재들 각각의 가중치를 결정할 수 있다.
Figure PCTKR2018009278-appb-M000003
여기서, X, Y 및 Z는 복수의 제2 소재들 중 제3 소재를 각각 의미하고, i는 복수의 제2 소재들 X, Y 및 Z 중 가중치를 결정할 제3 소재를 의미하고,
Figure PCTKR2018009278-appb-I000012
는 결정된 제3 소재의 가중치를 의미한다.
Figure PCTKR2018009278-appb-I000013
는 수학식 2를 이용하여 결정된 제1 소재와 제2 소재 X와의 유사도를 의미하며,
Figure PCTKR2018009278-appb-I000014
는 수학식 2를 이용하여 결정된 제1 소재와 제2 소재 Y와의 유사도를 의미하고,
Figure PCTKR2018009278-appb-I000015
는 수학식 2를 이용하여 결정된 제1 소재와 제2 소재 Z와의 유사도를 의미한다.
즉, 우변의 분모는 복수의 제2 소재들 각각과 제1 소재와의 유사도의 역수들의 합으로 정의될 수 있다. 따라서, 수학식 3에서는 복수의 제2 소재들이 3개인 경우로 나타냈지만, 4개 이상의 제2 소재들인 경우에도 유사하게 적용될 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 결정된 가중치와 복수의 제2 소재 각각의 주성분 벡터의 계수를 선형 결합함으로써, 제1 소재의 제1 계수를 결정할 수 있다.
예를 들면, 전자 장치(1000)는 수학식 4와 같이 제1 소재의 제1 계수를 결정할 수 있다.
Figure PCTKR2018009278-appb-M000004
여기서, k는 주성분 벡터의 인덱스를 의미하고,
Figure PCTKR2018009278-appb-I000016
는 제2 소재 X의 k번째 주성분 벡터의 계수를 의미하며,
Figure PCTKR2018009278-appb-I000017
는 제2 소재 Y의 k번째 주성분 벡터의 계수를 의미하고,
Figure PCTKR2018009278-appb-I000018
는 제2 소재 Z의 k번째 주성분 벡터의 계수를 의미한다.
Figure PCTKR2018009278-appb-I000019
은 제2 소재 X에 적용되는 가중치를 의미하고,
Figure PCTKR2018009278-appb-I000020
은 제2 소재 Y에 적용되는 가중치를 의미하고,
Figure PCTKR2018009278-appb-I000021
은 제2 소재 Z에 적용되는 가중치를 의미한다.
Figure PCTKR2018009278-appb-I000022
는 제1 소재의 제1 계수를 의미한다.
수학식 4에서는 복수의 제2 소재들이 3개인 경우로 나타냈지만, 4개 이상의 제2 소재들인 경우에도 유사하게 적용될 수 있다.
전자 장치(1000)는 결정된 제1 소재의 제1 계수에 기초하여, 제1 소재의 이미지 벡터를 생성하고, 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다. 제1 소재의 이미지 벡터를 생성하는 방법은 도 7a의 단계 750에서 설명하였으므로, 중복되는 내용은 생략한다. 또한, 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하는 방법은 도 7a의 단계 770에서 설명하였으므로, 중복되는 내용은 생략한다.
도 9a 및 도 9b는 일 실시예에 따른, 주성분 벡터의 계수와 d-오비탈의 전자 점유율간의 관계를 나타낸 그래프이다. 구체적으로, 도 9a는 Cu의 d-오비탈의 전자 점유율과 4개의 주성분 벡터들 각각의 계수의 관계를 나타낸 그래프이고, 도 9b는 Ni의 d-오비탈의 전자 점유율과 4개의 주성분 벡터들 각각의 계수의 관계를 나타낸 그래프이다.
일 실시예에 따르면, 전자 장치(1000)는 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 조성 정보에 기초하여 주성분 벡터의 계수를 결정할 수 있다. 조성 정보는 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율를 포함할 수 있다.
d-오비탈의 전자 점유율은 소재에 포함된 d-오비탈 전자 개수 중 소재를 구성하는 하나의 원소에 포함된 d-오비탈 전자 개수가 점유하는 비율을 의미한다. 예를 들면, 소재를 구성하는 원소가 A 및 B이고, A의 d-오비탈 전자 개수가 a개, B의 d-오비탈 전자 개수가 b개이며, A의 원자 개수가 x, B의 원자 개수가 y인 경우, 소재 [AxBy]에서 A의 d-오비탈의 전자 점유율 nd,A[AxBy]은 수학식 5에 의해서 산출될 수 있다. 또한, 소재 [AxBy]에서 B의 d-오비탈의 전자 점유율 nd,B[AxBy]은 수학식 6에 의해서 산출될 수 있다.
Figure PCTKR2018009278-appb-M000005
Figure PCTKR2018009278-appb-M000006
구체적인 예를 들면, A원소가 Cu이고, B원소가 Ni이면, Cu의 전자 배열은 [Ar]3d104s1이고, Ni의 전자 배열은 [Ar]3d84s2이므로, Cu의 d-오비탈 전자 개수는 10, Ni의 d-오비탈 전자 개수는 8이다. Cu의 원자 개수가 50, Ni의 원자 개수가 50인 소재 [Cu50Ni50]에서 Cu의 d-오비탈의 전자 점유율 nd,Cu[Cu50Ni50]은 0.67이며, Ni의 d-오비탈의 전자 점유율 nd,Ni[Cu50Ni50]은 0.33이 된다.
일 실시예에 따르면, 전자 장치(1000)는 학습 데이터로서 입력된 복수의 제2 소재들에 관련된 데이터 및 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도 그래프로부터 적어도 하나의 주성분 벡터 및 주성분 벡터의 제2 계수를 결정할 수 있다. 전자 장치(1000)는 복수의 제2 소재들에 관련된 데이터로부터 복수의 제2 소재들 각각의 조성 정보인 d-오비탈의 전자 점유율을 획득할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 복수의 제2 소재들 각각의 d-오비탈의 전자 점유율과 주성분 벡터의 제2 계수와의 관계를 추정할 수 있다.
도 9a를 참조하여 예를 들면, 전자 장치(1000)는 Cu 및 Ni로 구성된 복수의 제2 소재들 각각의 Cu의 d-오비탈의 전자 점유율(nd,Cu)과 제2 계수의 관계를 선형 그래프로 추정할 수 있다.
전자 장치(1000)는 Cu의 d-오비탈의 전자 점유율이 1인 경우, Cu의 d-오비탈의 전자 점유율이 0.8인 경우, Cu의 d-오비탈의 전자 점유율이 0.6인 경우, Cu의 d-오비탈의 전자 점유율이 0.3 인 경우, Cu의 d-오비탈의 전자 점유율이 0인 경우 각각에 대응되는 주성분 벡터들 각각의 제2 계수를 결정할 수 있다. 전자 장치(1000)는 결정된 제2 계수들을 선으로 연결함으로써, Cu의 d-오비탈의 전자 점유율(nd,Cu)과 제2 계수의 관계를 선형 그래프로 추정할 수 있다.
또한, 전자 장치(1000)는 도 9b같이 Cu 및 Ni로 구성된 복수의 제2 소재들 각각의 Ni의 d-오비탈의 전자 점유율(nd,Ni)과 제2 계수의 관계를 선형 그래프로 추정할 수 있다.
도 9b를 참조하여 예를 들면, 전자 장치(1000)는 Cu 및 Ni로 구성된 복수의 제2 소재들 각각의 Ni의 d-오비탈의 전자 점유율(nd,Ni)과 제2 계수의 관계를 선형 그래프로 추정할 수 있다.
전자 장치(1000)는 Ni의 d-오비탈의 전자 점유율이 1인 경우, Ni의 d-오비탈의 전자 점유율이 0.8인 경우, Ni의 d-오비탈의 전자 점유율이 0.6인 경우, Ni의 d-오비탈의 전자 점유율이 0.3 인 경우, Ni의 d-오비탈의 전자 점유율이 0인 경우 각각에 대응되는 주성분 벡터들 각각의 제2 계수를 결정할 수 있다. 전자 장치(1000)는 결정된 제2 계수들을 선으로 연결함으로써, Ni의 d-오비탈의 전자 점유율(nd,Ni)과 제2 계수의 관계를 선형 그래프로 추정할 수 있다. 수학식 2를 참조하면, Cu 및 Ni로 구성된 소재에 있어서, Ni의 d-오비탈의 전자 점유율(nd,Ni)은 Cu의 d-오비탈의 전자 점유율(nd,Cu)의 반대이다. 따라서, 소재를 구성하는 원소 각각의 d-오비탈의 전자 점유율은 소재의 d-오비탈의 전자 점유율이라고 할 수 있다.
또한, 전자 장치(1000)는 도 9b같이 Cu 및 Ni로 구성된 복수의 제2 소재들 각각의 Ni의 d-오비탈의 전자 점유율(nd,Ni)과 제2 계수의 관계를 선형 그래프로 추정할 수 있다.
전자 장치(1000)는 추정된 관계로부터 주성분 벡터의 제1 계수를 결정할 수 있다. 예를 들면, 전자 장치(1000)는 선형 그래프에 선형 보간법을 수행함으로써 제1 소재의 d-오비탈의 전자 점유율에 대응하는 제1 계수를 결정할 수 있다. 전자 장치(1000)가 선형 보간법을 수행함으로써 제1 소재의 d-오비탈의 전자 점유율에 대응하는 제1 계수를 결정하는 방법은 도 7의 단계 730을 참조하여 위에서 설명하였으므로, 중복되는 내용은 생략한다.
제1 소재가 완전 고용체(complete solid solution)인 경우, 제1 소재를 구성하는 원소들의 d-오비탈의 전자 점유율과 주성분 벡터의 계수의 관계로부터 정확한 주성분 벡터의 제1 계수가 결정될 수 있다.
도 10a는 일 실시예에 따른, 소재들 각각에 대응하는 배위수, 혼합 계수 및 소재를 구성하는 원소들 각각의 d-오비탈의 전자 점유율을 나타내는 표이고, 도 10b는 일 실시예에 따른, 주성분 벡터의 계수와 d-오비탈의 전자 점유율, 배위수 및 혼합 계수간의 관계를 나타낸 그래프이다.
소재가 완전 고용체가 아닌 경우 소재의 결정 구조에 관련된 정보인 결정 구조 정보와 소재의 조성 정보와 함께 고려하여 주성분 벡터의 계수를 결정할 필요가 존재한다. 결정 구조 정보는 배위수 및 혼합 계수를 포함할 수 있다.
배위수(coordinate number, CN)는 화합물내의 한 금속원자가 평균적으로 결합된 결합의 수를 의미하며, 소재를 구성하는 두 원소 사이의 모든 결합의 수를 공유 원자 반경 내의 총 원자 수로 나눈 값으로 정의된다. 배위수에 따라서 소재의 구조(예를 들면, 면심 입방 구조(face centered cubic, fcc)의 경우 배위수가 12이고, 체심 입방 구조 (body centered cubic structure, bcc)의 경우 배위수가 8) 가 결정될 수 있다.
혼합 계수(Mixing Factor, Fmix)는 소재를 구성하는 원소들 간의 전체 결합의 수와 다른 원소들간의 결합의 수의 비율로 정의된다. 예를 들면, 원소 A 및 B로 구성된 소재에 있어서, 원소 A와 원소 A의 결합(A-A)의 수, 원소 A와 원소 B의 결합(A-B)의 수 및 원소 B와 원소 B의 결합(B-B)의 수를 전부 합한 전체 결합의 수와 원소 A와 원소 B의 결합(A-B)의 수의 비율이 소재의 혼합 계수이다. 즉, 소재를 구성하는 두 원소가 잘 혼합될수록 혼합 계수는 1에 가까워지고, 잘 혼합되지 않을수록 혼합 계수는 0에 가까워진다. 소재가 하나의 원소로 구성된 순수한 금속인 경우, 혼합 계수는 0으로 정의한다.
도 10a를 참조하면, 전자 장치(1000)는 제1 소재의 배위수, 혼합 계수 및 제1 소재를 구성하는 원소인 Cu 및 Fe에 대한 d-오비탈의 전자 점유율을 획득할 수 있다. 예를 들면, 전자 장치(1000)는 제1 소재 [Cu0 . 375Fe0 . 625]의 배위수, 혼합 계수 및 제1 소재 [Cu0 . 375Fe0 . 625]의 Cu 및 Fe에 대한 d-오비탈의 전자 점유율을 획득할 수 있다.
도 10a를 참조하면, 전자 장치(1000)는 복수의 제2 소재들에 관련된 데이터를 학습 데이터로서 사용자로부터 수신할 수 있다. 예를 들면, 전자 장치(1000)는 소재 [Cu], [Cu0 . 75Fe0 .25], [Cu0 . 5Fe0 .5], [Cu0 . 25Fe0 .75] 및 [Fe]에 관련된 데이터를 수신할 수 있다. 전자 장치(1000)는 소재 [Cu], [Cu0 . 75Fe0 .25], [Cu0 . 5Fe0 .5], [Cu0 . 25Fe0 .75] 및 [Fe]의 에너지 준위 별 상태 밀도 그래프를 수신할 수 있다. 전자 장치(1000)는 수신된 학습 데이터로부터 소재 [Cu], [Cu0 . 75Fe0 .25], [Cu0 . 5Fe0 .5], [Cu0 . 25Fe0 .75] 및 [Fe] 각각의 배위수, 혼합 계수 및 소재내의 Cu 및 Fe의 d-오비탈의 전자 점유율을 획득할 수 있다.
도 10b를 참조하면, 전자 장치(1000)는 소재 [Cu], [Cu0 . 75Fe0 .25], [Cu0.5Fe0.5], [Cu0 . 25Fe0 .75] 및 [Fe] 각각의 배위수와 주성분 벡터의 계수와의 관계를 추정할 수 있다. 또한, 전자 장치(1000)는 소재 [Cu], [Cu0 . 75Fe0 .25], [Cu0 . 5Fe0 .5], [Cu0.25Fe0.75] 및 [Fe] 각각의 혼합 계수와 주성분 벡터의 계수와의 관계를 추정할 수 있다. 또한, 전자 장치(1000)는 소재 [Cu], [Cu0 . 75Fe0 .25], [Cu0 . 5Fe0 .5], [Cu0 . 25Fe0 .75] 및 [Fe] 각각의 Cu 및 Fe에 대한 d-오비탈의 전자 점유율과 주성분 벡터의 계수와의 관계를 추정할 수 있다. 전자 장치(1000)는 추정된 관계들 각각을 선형 관계로 추정하고, 선형 그래프로 표현할 수 있다.
도 10b를 참조하면, 전자 장치(1000)는 추정된 Cu 및 Fe에 대한 d-오비탈의 전자 점유율과 주성분 벡터의 계수와의 관계로부터, 제1 소재 [Cu0 . 375Fe0 . 625]의 d-오비탈의 전자 점유율에 대응하는 제1 계수를 결정할 수 있다. 예를 들면, 전자 장치(1000)는 Cu 및 Fe에 대한 d-오비탈의 전자 점유율과 주성분 벡터의 계수에 대한 선형 그래프에 선형 보간법을 수행함으로써, 제1 소재의 Cu 및 Fe에 대한 d-오비탈의 전자 점유율 nd.Cu=0.5, nd.Fe=0.5에 대응하는 주성분 벡터의 계수(α(nd.Cu), α(nd.Fe))를 결정할 수 있다.
또한, 전자 장치(1000)는 추정된 배위수와 주성분 벡터의 계수와의 관계로부터, 제1 소재의 배위수에 대응하는 제1 계수를 결정할 수 있다. 예를 들면, 전자 장치(1000)는 배위수와 주성분 벡터의 계수에 대한 선형 그래프에 선형 보간법을 수행함으로써, 제1 소재의 배위수 CN=12에 대응하는 주성분 벡터의 계수(α(CN))를 결정할 수 있다.
또한, 전자 장치(1000)는 전자 장치(1000)는 추정된 혼합 계수와 주성분 벡터의 계수와의 관계로부터, 제1 소재의 혼합 계수에 대응하는 제1 계수를 결정할 수 있다. 예를 들면, 전자 장치(1000)는 추정된 혼합 계수와 주성분 벡터의 계수와의 관계에 대한 선형 그래프에 선형 보간법을 수행함으로써, 제1 소재의 혼합 계수 Fmix=0.45에 대응하는 주성분 벡터의 계수(α(Fmix))를 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재와 유사한 복수의 제2 소재들에 대한 선형 그래프에 선형 보간법을 수행함으로써, 제1 계수를 결정할 수 있다. 예를 들면, 전자 장치(1000)는 제1 소재 [Cu0 . 375Fe0 . 625]와 유사한 제2 소재 [Cu0.5Fe0.5] 및 [Cu0 . 25Fe0 . 75]에 대한 선형 그래프에 선형 보간 법을 수행함으로써, 제1 소재 [Cu0 . 375Fe0 . 625]의 d-오비탈의 전자 점유율에 대응하는 제1 계수(α(nd.Fe)), 제1 소재 [Cu0 . 375Fe0 . 625]의 배위수에 대응하는 제1 계수(α(CN)) 및 제1 소재 [Cu0.375Fe0.625]의 혼합 계수에 대응하는 제1 계수(α(Fmix))를 결정할 수 있다.
구체적으로, 전자 장치(1000)는 제2 소재 [Cu0 . 5Fe0 . 5]의 배위수에 대응하는 주성분 벡터의 계수와 [Cu0 . 25Fe0 . 75]의 배위수에 대응하는 주성분 벡터의 계수를 직선으로 연결하고, 선형 보간법을 수행함으로써, 제1 소재 [Cu0 . 375Fe0 . 625]의 배위수에 대응하는 제1 계수(α(CN))를 결정할 수 있다.
또한, 전자 장치(1000)는 제2 소재 [Cu0 . 5Fe0 . 5]의 혼합 계수에 대응하는 주성분 벡터의 계수와 [Cu0 . 25Fe0 . 75]의 혼합 계수에 대응하는 주성분 벡터의 계수를 직선으로 연결하고, 선형 보간법을 수행함으로써, 제1 소재 [Cu0 . 375Fe0 . 625]의 혼합 계수에 대응하는 제1 계수(α(Fmix))를 결정할 수 있다.
또한, 전자 장치(1000)는 제2 소재 [Cu0 . 5Fe0 . 5]의 d-오비탈의 전자 점유율에 대응하는 주성분 벡터의 계수와 [Cu0 . 25Fe0 . 75]의 d-오비탈의 전자 점유율에 대응하는 주성분 벡터의 계수를 직선으로 연결하고, 선형 보간법을 수행함으로써, 제1 소재 [Cu0.375Fe0.625]의 d-오비탈의 전자 점유율에 대응하는 제1 계수(α(nd.Fe))를 결정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 제1 소재의 d-오비탈의 전자 점유율에 대응하는 제1 계수(α(nd.Fe)), 제1 소재의 배위수에 대응하는 제1 계수 (α(CN)) 및 제1 소재의 혼합 계수에 대응하는 제1 계수(α(Fmix))에 기초하여 제1 소재의 제1 계수(α)를 결정할 수 있다.
예를 들면, 전자 장치(1000)는 제1 소재의 d-오비탈의 전자 점유율에 대응하는 제1 계수(α(nd.Fe)), 제1 소재의 배위수에 대응하는 제1 계수 (α(CN)) 및 제1 소재의 혼합 계수에 대응하는 제1 계수(α(Fmix))의 각각에 가중치를 적용하여 선형 결합함으로써 제1 소재의 제1 계수(α)를 수학식 7과 같이 결정할 수 있다.
Figure PCTKR2018009278-appb-M000007
여기서, k는 1이상의 자연수 이고, 주성분 벡터의 인덱스를 의미한다. 즉, αk는 k번째 주성분 벡터를 의미하는 것이다. w1는 d-오비탈의 전자 점유율에 대응하는 제1 계수(α(nd.Fe))에 적용되는 가중치이고, w2는 배위수에 대응하는 제1 계수(α(CN))에 적용되는 가중치이며, w3는 혼합 계수에 대응하는 제1 계수(α(Fmix))에 적용되는 가중치이다. w1, w2 및 w3의 합은 1이다.
구체적인 예를 들면, 전자 장치는 가중치 w1, w2 및 w3를 동일한 값인 1/3로 결정하고, d-오비탈의 전자 점유율에 대응하는 제1 계수(α(nd.Fe)), 배위수에 대응하는 제2 계수(α(CN)) 및 혼합 계수에 대응하는 제3 계수(α(Fmix))에 적용하여 선형 결합함으로써, 제1 소재의 제1 계수(α)를 결정할 수 있다.
도 11은 일 실시예에 따른, 전자 구조를 예측할 소재와 소재를 구성하는 원소들 중 적어도 하나로 구성된 소재들의 유사도를 나타낸 것이고, 도 12a는 일 실시예에 따른, 전자 구조를 예측할 소재와 소재를 구성하는 원소들 중 적어도 하나로 구성된 소재들의 유사도에 기초하여 주성분 벡터의 계수를 결정하는 방법을 나타낸 것이며, 도 12b는 일 실시예에 따른, 소재들 각각에 대응하는 배위수, 혼합 계수 및 원소들의 d-오비탈의 전자 점유율을 나타내는 표이다.
도 11을 참조하면, 전자 구조를 예측할 제1 소재(977)는 적어도 3개의 원소로 구성될 수 있다. 또한, 전자 장치(1000)는 제1 소재(977)을 구성하는 원소들 중 적어도 하나로 구성된 복수의 제2 소재들(971, 973, 975)에 대한 데이터를 학습 데이터로 수신할 수 있다. 전자 장치(1000)는 사용자로부터 수신된 제1 소재(977)에 대한 데이터로부터, 제1 소재(977)의 조성 정보 및 결정 구조 정보를 획득할 수 있다. 전자 장치(1000)는 학습 데이터로부터 복수의 제2 소재들 각각의 조성 정보 및 결정 구조 정보를 획득할 수 있다. 복수의 제2 소재들(971, 973, 975)는 학습 데이터 중에서 제1 소재(977)가 가장 유사한 소재들에 해당될 수 있다. 전자 장치(1000)는 제1 소재(977)와 복수의 제2 소재들(971, 973, 975) 각각의 유사도(dn -x, dn-y, dn-z)를 결정할 수 있다.
예를 들면, 제1 소재(977)는 원소 [A], [B], [C]로 구성된 소재일 수 있다. 그리고 복수의 제2 소재들(971, 973, 975)은 원소 [A], [B], [C] 중 적어도 하나로 구성된 소재일 수 있다.
전자 장치(1000)는 사용자로부터 수신된 제1 소재에 관련된 데이터로부터 제1 소재의 원소 [A]의 d-오비탈의 전자 점유율(nd.A), 제1 소재의 원소 [B]의 d-오비탈의 전자 점유율(nd.B), 제1 소재의 원소 [C]의 d-오비탈의 전자 점유율(nd.C), 제1 소재의 배위수, 제1 소재의 혼합 계수를 획득할 수 있다.
도 12a 및 도 12b를 참조하여 예를 들면, 전자 장치(1000)는 제1 소재 [Cu0.03Ni0.03Pt0.94]의 백금의 d-오비탈의 전자 점유율(nd,pt), 니켈의 d-오비탈의 전자 점유율(nd,ni) 및 구리의 d-오비탈의 전자 점유율(nd,cu)을 획득할 수 있다. 또한, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 배위수 및 혼합 계수를 획득할 수 있다.
도 12b를 참조하여 예를 들면, 전자 장치(1000)는 학습 데이터로부터 복수의 제2 소재들(971, 973,975) 각각을 구성하는 원소들 각각의 d-오비탈의 전자 점유율, 복수의 제2 소재들(971, 973,975) 각각의 배위수 및 복수의 제2 소재들(971, 973,975) 각각의 혼합계수를 획득할 수 있다.
도 12b를 참조하여 예를 들면, 전자 장치(1000)는 제1 소재 [Cu0.03Ni0.03Pt0.94]와 유사한 제2 소재 [Ni0 . 25Pt0 .75], [Cu0 . 25Pt0 .75] 및 [Pt] 각각의 조성 정보 및 결정 구조 정보를 획득할 수 있다. 즉, 전자 장치(1000)는 [Ni0.25Pt0.75]을 구성하는 Ni 및 Pt 각각의 d-오비탈의 전자 점유율, [Ni0 . 25Pt0 . 75]의 배위수 및 혼합 계수를 획득할 수 있다. 또한, 전자 장치(1000)는 [Cu0 . 25Pt0 . 75]을 구성하는 Cu 및 Pt 각각의 d-오비탈의 전자 점유율, [Cu0 . 25Pt0 . 75]의 배위수 및 혼합 계수를 획득할 수 있다. 또한, 전자 장치(1000)는 [Pt]의 d-오비탈의 전자 점유율 및 혼합 계수를 1로 획득하고, [Pt]의 배위수를 획득할 수 있다.
전자 장치(1000)는 제1 소재의 제1 조성 정보와 복수의 제2 소재들 각각의 제2 조성 정보를 비교하고, 제1 소재의 제1 결정 구조 정보와 복수의 제2 소재들(971, 973,975) 각각의 제2 결정 구조 정보를 비교함으로써, 복수의 제2 소재들(971, 973,975) 각각과 제1 소재의 유사도(dn-x, dn-y, dn-z)를 결정할 수 있다.
전자 장치(1000)는 제1 소재의 원소 [A]의 d-오비탈의 전자 점유율(nd.A), 제1 소재의 원소 [B]의 d-오비탈의 전자 점유율(nd.B), 제1 소재의 원소 [C]의 d-오비탈의 전자 점유율(nd.C)과 복수의 제2 소재들 중 하나인 제3 소재를 구성하는 원소 [A]의 d-오비탈의 전자 점유율(nd.A), 제3 소재의 원소 [B]의 d-오비탈의 전자 점유율(nd.B), 제3 소재의 원소 [C]의 d-오비탈의 전자 점유율(nd.C)을 비교할 수 있다. 전자 장치(1000)는 제1 소재의 배위수와 제3 소재의 배위수와 비교할 수 있다. 전자 장치(1000)는 제1 소재의 혼합 계수와 제3 소재의 혼합 계수를 비교할 수 있다.
도 12를 참조하여 예를 들면, 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 조성 정보와 제2 소재 [Ni0 . 25Pt0 .75], [Cu0 . 25Pt0 .75] 및 [Pt] 각각의 조성 정보를 비교할 수 있다. 즉, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]를 구성하는 백금, 니켈 및 구리 각각의 d-오비탈의 전자 점유율과 제2 소재 [Ni0 . 25Pt0 . 75]의 백금 및 니켈의 d-오비탈의 전자 점유율을 비교할 수 있다. 또한, 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]를 구성하는 백금, 니켈 및 구리 각각의 d-오비탈의 전자 점유율과 제2 소재 [Cu0 . 25Pt0 . 75]의 백금 및 구리의 d-오비탈의 전자 점유율을 비교할 수 있다. 또한, 제1 소재 [Cu0.03Ni0.03Pt0.94]를 구성하는 백금, 니켈 및 구리 각각의 d-오비탈의 전자 점유율과 제2 소재 [Pt]의 백금의 d-오비탈의 전자 점유율을 비교할 수 있다.
또한, 전자 장치(1000)는 예를 들면, 전자 장치(1000)는 제1 소재 [Cu0.03Ni0.03Pt0.94]의 조성 정보와 제2 소재 [Ni0 . 25Pt0 .75], [Cu0 . 25Pt0 .75] 및 [Pt] 각각의 결정 구조 정보를 비교할 수 있다. 즉, 전자 장치(1000)는 제1 소재 [Cu0.03Ni0.03Pt0.94]의 배위수 및 혼합 계수와 제2 소재 [Ni0 . 25Pt0 . 75]의 배위수 및 혼합 계수를 비교할 수 있다. 또한, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 배위수 및 혼합 계수와 제2 소재 [Cu0 . 25Pt0 . 75]의 배위수 및 혼합 계수를 비교할 수 있다. 또한, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 배위수 및 혼합 계수와 제2 소재 [Pt]의 배위수 및 혼합 계수를 비교할 수 있다.
전자 장치(1000)는 비교 결과에 기초하여, 전자 장치(1000)는 제1 소재(977)와 복수의 제2 소재들(971, 973, 975) 각각의 유사도(dn -x, dn -y, dn -z)를 결정할 수 있다. 제1 소재(977)와 복수의 제2 소재들(971, 973, 975) 중 제3 소재와의 유사도는 위의 수학식 2와 같이 결정될 수 있다.
도 12a를 참조하면, 전자 장치(1000)는 제1 소재의 전자 구조를 예측하기 위해서, 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다. 전자 장치(1000)는 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위해서, 제1 소재의 주성분 벡터의 계수인 제1 계수를 결정할 수 있다. 전자 장치(1000)는 제1 계수를 결정하기 위해서 복수의 제2 소재들과 제1 소재의 유사도를 결정할 수 있다.
예를 들면, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]와 복수의 제2 소재들 중 제3 소재 [Ni0 . 25Pt0 . 75]의 유사도는 수학식 2를 이용하여 결정될 수 있다. 수학식 2에서, A원소는 구리(Cu)이고, B원소는 니켈(Ni)이며, C원소는 백금(Pt)일 수 있다.
구체적으로, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 구리(Cu)의 d-오비탈의 전자 점유율과 제3 소재 [Ni0 . 25Pt0 . 75]의 구리(Cu)의 d-오비탈의 전자 점유율의 차의 제곱 값을 구할 수 있다. 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 니켈(Ni)의 d-오비탈의 전자 점유율과 제3 소재 [Ni0 . 25Pt0 . 75]의 니켈(Ni)의 d-오비탈의 전자 점유율의 차의 제곱 값을 구할 수 있다. 전자 장치(1000)는 제1 소재 [Cu0.03Ni0.03Pt0.94]의 백금(Pt)의 d-오비탈의 전자 점유율과 제3 소재 [Ni0 . 25Pt0 . 75]의 백금(Pt)의 d-오비탈의 전자 점유율의 차의 제곱 값을 구할 수 있다 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]의 정규화된 배위수와 제3 소재 [Ni0 . 25Pt0 . 75]의 정규화된 배위수의 차의 제곱 값을 구할 수 있다. 전자 장치(1000)는 제1 소재 [Cu0.03Ni0.03Pt0.94]의 혼합 계수와 제3 소재 [Ni0 . 25Pt0 . 75]의 혼합 계수의 제곱 값을 구할 수 있다. 전자 장치(1000)는 구해진 제곱 값들을 선형 결합함으로써, 제1 소재 [Cu0.03Ni0.03Pt0.94]와 제3 소재 [Ni0.25Pt0.75]의 유사도를 결정할 수 있다.
위와 유사하게, 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]와 복수의 제2 소재들 중 제3 소재 [Cu0 . 25Pt0 . 75]의 유사도를 결정할 수 있다. 또한, 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]와 복수의 제2 소재들 중 제3 소재 [Pt]의 유사도를 결정할 수 있다.
도 12a를 참조하면, 전자 장치(1000)는 결정된 유사도에 기초하여 제1 계수를 결정할 수 있다. 전자 장치(1000)는 복수의 제2 소재들 각각의 가중치를 수학식 3과 같이 결정할 수 있다. 즉, 복수의 제2 소재들 중 제3 소재의 가중치는 제3 소재와 제1 소재의 유사도의 역수를 복수의 제2 소재들 각각과 제1 소재의 유사도의 역수들의 합으로 나눈 값으로 결정될 수 있다.
예를 들면, 전자 장치(1000)는 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]와 제3 소재 [Ni0.25Pt0.75]의 제1 유사도, 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]와 제3 소재 [Cu0 . 25Pt0 . 75]의 제2 유사도 및 제1 소재 [Cu0 . 03Ni0 . 03Pt0 . 94]와 제3 소재 [Pt]의 제3 유사도에 기초하여 결정될 수 있다.
제3 소재 [Ni0 . 25Pt0 . 75]의 제1 가중치는 제1 유사도의 역수를 제1 유사도, 제2 유사도 및 제3 유사도 각각의 역수의 합으로 나눈 값일 수 있다. 제3 소재 [Cu0.25Pt0.75]의 제2 가중치는 제2 유사도의 역수를 제1 유사도, 제2 유사도 및 제3 유사도 각각의 역수의 합으로 나눈 값일 수 있다. 제3 소재 [Pt]의 제3 가중치는 제3 유사도의 역수를 제1 유사도, 제2 유사도 및 제3 유사도 각각의 역수의 합으로 나눈 값일 수 있다.
전자 장치(1000)는 수학식 4와 같이 복수의 제2 소재들 각각의 가중치에 기초하여 제1 계수를 결정할 수 있다. 전자 장치(1000)는 결정된 가중치와 복수의 제2 소재 각각의 주성분 벡터의 계수를 선형 결합함으로써, 제1 소재의 제1 계수를 결정할 수 있다.
예를 들면, 전자 장치(1000)는 첫번째 제1 계수를 제1 가중치와 제2 소재 [Ni0.25Pt0.75]의 첫번째 주성분 벡터의 계수를 곱한 값, 제2 가중치와 제2 소재 [Cu0.25Pt0.75]의 첫번째 주성분 벡터의 계수를 곱한 값 및 제3 가중치와 제2 소재 [Pt] 의 첫번째 주성분 벡터의 계수를 곱한 값의 합으로 결정할 수 있다. 전자 장치(1000)는 두번째 제1 계수 내지 k번째 제1 계수도 유사하게 결정할 수 있다.
전자 장치(1000)는 결정된 제1 소재의 제1 계수에 기초하여, 제1 소재의 이미지 벡터를 생성하고, 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다. 제1 소재의 이미지 벡터를 생성하는 방법은 도 7a의 단계 750에서 설명하였으므로, 중복되는 내용은 생략한다. 또한, 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성하는 방법은 도 7a의 단계 770에서 설명하였으므로, 중복되는 내용은 생략한다.
도 13은 일 실시예에 따른, 소재의 에너지 준위 별 상태 밀도 그래프를 추정하기 위한 확률 행렬을 나타낸 것이다.
도 13을 참조하면, 전자 장치(1000)는 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터(910)를 행렬(930)로 변환할 수 있다. 예를 들면, 1xL 행렬(여기서 L 은 자연수 M과 자연수 N의 곱한 결과값을 의미한다)의 형태로 생성된 이미지 벡터(910)를 MxN 행렬(930)로 변환할 수 있다.
MxN 행렬(930)의 k번째 열(940)은 N개의 성분(entity)을 포함하고, 각 성분은 제1 소재의 상태 밀도를 나타내는 데이터를 포함할 수 있다. 예를 들면, k번째 열(940)은 0의 데이터 값을 포함하는 성분(941), 0이 아닌 데이터 값을 포함하는 성분(943, 945, 947)을 포함할 수 있다. 이때, 음(negative)의 데이터 값을 포함하는 성분(947)이 존재할 수 있다.
행렬이 격자 이미지로 변환되기 위해서는, 행렬의 각 성분에 포함된 데이터가 양(positive)의 데이터 값이어야 한다. 따라서, 행렬의 성분에 포함된 음(negative)의 데이터 값을 제거하여야 한다. 전자 장치(1000)는 MxN 행렬(930)을 MxN 확률 행렬(950)로 변환함으로써, 음의 데이터 값을 포함하는 성분으로부터 음의 데이터 값을 제거할 수 있다.
MxN 확률 행렬(950)의 성분에 포함된 데이터 값은 수학식 5로 정의될 수 있다. 그리고 0과 음의 데이터 값을 포함하는 MxN 행렬(930)의 성분은 0의 데이터 값을 포함하는 MxN 확률 행렬(950)의 성분으로 변환될 수 있다.
Figure PCTKR2018009278-appb-M000008
여기서, k는 k번째 행을 의미하고, l은 l번째 열을 의미하며,
Figure PCTKR2018009278-appb-I000023
은 k행 l열의 성분에 포함된 양의 데이터 값을 의미한다.
도 13을 참조하면, 수학식 8에 의해서 MxN 행렬(930)의 성분 중 0.3의 데이터 값을 포함하는 성분(943)은 0.6(=0.3/(0.3+0.2))의 데이터 값을 포함하는 MxN 확률 행렬(950)의 성분(963)으로 변환될 수 있다. 또한, MxN 행렬(930)의 성분 중 0.2의 데이터 값을 포함하는 성분(945)은 0.4(=0.2/(0.3+0.2))의 데이터 값을 포함하는 MxN 확률 행렬(950)의 성분(965)으로 변환될 수 있다. 또한, MxN 행렬(930)의 성분 중 음의 데이터 값을 포함하는 성분(947)은 0의 데이터 값을 포함하는 MxN 확률 행렬(950)의 성분(967)으로 변환될 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 MxN 확률 행렬을 이용하여 소재의 에너지 준위 별 상태 밀도를 추정할 수 있다. 예를 들면, 전자 장치(1000)는 수학식 9과 같이 MxN 확률 행렬과 k번째 에너지 준위에 대한 l번째 상태 밀도를 곱함으로써 k번째 에너지 준위에 대한 상태 밀도 값을 추정할 수 있다.
Figure PCTKR2018009278-appb-M000009
Figure PCTKR2018009278-appb-I000024
는 MxN 확률 행렬이고,
Figure PCTKR2018009278-appb-I000025
는 k번째 에너지 준위에 대한 l번째 상태 밀도 값이며,
Figure PCTKR2018009278-appb-I000026
는 k번째 에너지 준위에 대한 상태 밀도 값이다.
Figure PCTKR2018009278-appb-I000027
는 수학식 10과 같이 정의될 수 있다.
Figure PCTKR2018009278-appb-M000010
여기서, N은 행렬의 행의 개수이고, T는 최대 상태 밀도 값이다.
예를 들면, 100x100행렬에 있어서, 최대 상태 밀도 값 T가 3이라면, 전자 장치(1000)는 k번째 에너지 준위에 대한 상태 밀도 값을 0.156(=0.6×(6×3/100) + 0.4×(4×3/100))으로 추정할 수 있다. 전자 장치(1000)는 1 내지 M번째의 에너지 준위에 대한 상태 밀도 값을 각각 추정할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 추정된 1 내지 M번째의 에너지 준위에 대한 상태 밀도 값에 기초하여 전자 구조를 예측할 소재에 대한 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다. 예를 들면, 전자 장치(1000)는 에너지 준위 각각에 대응하는 상태 밀도 값을 그래프 상에 표시하고, 서로 연결함으로써 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 생성된 에너지 준위 별 상태 밀도 그래프를 도 14a 내지 도 14f와 같이 출력할 수 있다.
도 14a 내지 도 14f는 일 실시예에 따라 추정된 에너지 준위 별 상태 밀도 그래프와 DFT에 따른 추정된 에너지 준위 별 상태 밀도 그래프를 도시한 것이다.
전자 장치(1000)는 Cu와 Ni가 면심 입방 구조(Face-centered cubic, FCC)로 구성된 복수의 제2 소재들 [Cu], [Cu0 . 75Ni0 .25], [Cu0 . 50Ni0 .50], [Cu0 . 25Ni0 . 75]및 [Ni] 각각에 대한 데이터 및 에너지 준위 별 상태 밀도 그래프를 학습 데이터로 사용자로부터 수신할 수 있다. 전자 장치(1000)는 수신된 학습 데이터를 인식 데이터로 변환할 수 있다. 전자 장치(1000)는 인식 데이터를 학습 모델에 적용하여 Cu 및 Ni로 구성되는 소재의 적어도 하나의 주성분 벡터를 결정할 수 있다. 전자 장치(1000)는 적어도 하나의 주성분 벡터의 제1 계수를 결정할 수 있다. 전자 장치(1000)는 결정된 적어도 하나의 주성분 벡터 및 주성분 벡터의 제1 계수를 이용하여 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다. 전자 장치(1000)는 생성된 제1 소재의 에너지 준위 별 상태 밀도 그래프를 출력할 수 있다.
예를 들면, 전자 장치(1000)는 소재 [Cu20Ni12]를 구성하는 원소에 관련된 데이터를 학습 모델에 적용하는 경우, 학습 모델로부터 추정된 소재 [Cu20Ni12]의 에너지 준위 별 상태 밀도 그래프를 출력할 수 있다. 또한, 전자 장치(1000)는 소재 [Cu12Ni20]를 구성하는 원소에 관련된 데이터를 학습 모델에 적용하는 경우, 학습 모델로부터 추정된 소재 [Cu12Ni20]의 에너지 준위 별 상태 밀도 그래프를 출력할 수 있다.
도 14a를 참조하면, 소재 [Cu20Ni12]를 구성하는 원소에 관련된 데이터를 학습 모델에 적용함으로써 추정된 소재 [Cu20Ni12]의 에너지 준위 별 상태 밀도 그래프는 DFT를 이용하여 추정된 소재 [Cu20Ni12]의 에너지 준위 별 상태 밀도 그래프와 약 95% 일치한다. 소재 [Cu20Ni12]를 구성하는 원소에 관한 데이터를 학습 모델에 적용함으로써 추정되는 에너지 준위 별 상태 밀도 그래프는 3분만에 출력이 되었지만, DFT를 이용하여 추정되는 에너지 준위 별 상태 밀도 그래프는 49시간 만에 출력이 되었다.
도 14b을 참조하면, 소재 [Cu12Ni20]를 구성하는 원소에 관련된 데이터를 학습 모델에 적용함으로써 추정된 소재 [Cu12Ni20]의 에너지 준위 별 상태 밀도 그래프는 DFT를 이용하여 추정된 소재 [Cu12Ni20]의 에너지 준위 별 상태 밀도 그래프와 약 96%의 일치한다. 소재 [Cu12Ni20]를 구성하는 원소에 관한 데이터를 학습 모델에 적용함으로써 추정되는 에너지 준위 별 상태 밀도 그래프는 3분만에 출력이 되었지만, DFT를 이용하여 추정되는 에너지 준위 별 상태 밀도 그래프는 49시간 만에 출력이 되었다.
도 14c를 참조하면, 소재 [Cu0 . 375Ni0 . 625]를 구성하는 원소에 관련된 데이터를 학습 모델에 적용함으로써 추정되는 에너지 준위 별 상태 밀도 그래프와 DFT를 이용하여 추정되는 에너지 준위 별 상태 밀도 그래프를 도시한 것이다.
학습 모델을 이용하여 생성한 [Cu0 . 375Ni0 . 625]소재의 에너지 준위 별 상태 밀도 그래프는 DFT를 이용하여 추정된 [Cu0 . 375Ni0 . 625]소재의 에너지 준위 별 상태 밀도 그래프와 약 96% 일치한다.
학습 모델을 이용하여 추정된 [Cu0 . 375Ni0 . 625]소재의 에너지 준위 별 상태 밀도 그래프는 Intel Xeon CPU의 한 개의 코어만을 이용하였을 때, 1분만에 출력이 되었고, DFT를 이용하여 추정된 [Cu0 . 375Ni0 . 625]소재의 에너지 준위 별 상태 밀도 그래프는 Intel Xeon CPU의 16개의 코어를 이용하였을 때, 2시간 만에 출력이 되었다.
도 14d는, [Cu0 . 375Fe0 . 625]소재를 구성하는 원소에 대한 데이터를 d-오비탈의 전자 점유율(nd)만을 고려하여 주성분 벡터의 계수를 결정하는 제1 학습 모델에 적용함으로써 생성한 에너지 준위 별 상태 밀도 그래프, [Cu0 . 375Fe0 . 625]소재를 구성하는 원소에 대한 데이터를 d-오비탈의 전자 점유율(nd), 배위수(CN), 혼합 계수(Fmix)를 함께 고려하여 주성분 벡터의 계수를 결정하는 제2 학습 모델에 적용함으로써 생성한 에너지 준위 별 상태 밀도 그래프 및 DFT를 이용하여 추정된 에너지 준위 별 상태 밀도 그래프를 함께 도시한 것이다.
도 14d를 참조하면, 제1 학습 모델을 이용하여 생성한 [Cu0 . 375Fe0 . 625]소재의 에너지 준위 별 상태 밀도 그래프는 DFT를 이용하여 추정된 [Cu0 . 375Fe0 . 625]소재의 에너지 준위 별 상태 밀도 그래프와 약 85% 일치한다.
제2 학습 모델을 이용하여 생성한 [Cu0 . 375Fe0 . 625]소재의 에너지 준위 별 상태 밀도 그래프는 DFT를 이용하여 추정된 [Cu0 . 375Fe0 . 625]소재의 에너지 준위 별 상태 밀도 그래프와 약 94% 일치한다.
[Cu0 . 375Fe0 . 625]소재는 완전 고용체 소재가 아니기 때문에, 학습 모델은 소재의 조성 정보와 함께 소재의 결정 구조를 함께 고려하여 에너지 준위 별 상태 밀도 함수 그래프를 추정할 필요가 존재한다. 즉, 소재의 결정 구조에 관련된 정보인 배위수 및 혼합 계수 및 소재의 조성과 관련된 정보인 d-오비탈의 전자 점유율을 고려하여 주성분 벡터의 계수를 결정함으로써, 보다 정확한 제1 소재의 에너지 준위 별 상태 밀도 그래프가 획득될 수 있다.
제2 학습 모델을 이용하여 추정된 [Cu0 . 375Fe0 . 625]소재의 에너지 준위 별 상태 밀도 그래프는 Intel Xeon CPU의 한 개의 코어만을 이용하였을 때, 1분만에 출력 되었고, DFT를 이용하여 추정된 [Cu0 . 375Fe0 . 625]소재의 에너지 준위 별 상태 밀도 그래프는 Intel Xeon CPU의 16개의 코어를 이용하였을 때, 2시간 만에 출력이 되었다.
도 14e는 3개 원소로 구성된 제1 소재와 복수의 제2 소재들 사이의 유사도를 결정하고, 결정된 유사도에 기초하여 복수의 제2 소재들 각각의 가중치를 적용함으로써 생성하는 제3 학습 모델에 [Cu0 . 03Ni0 . 03Pt0 . 94]소재의 원소에 관련된 데이터를 적용함으로써 생성한 에너지 준위 별 상태 밀도 그래프 및 DFT를 이용하여 추정된 에너지 준위 별 상태 밀도 그래프를 함께 도시한 것이다.
도 14e를 참조하면, 제3 학습 모델을 이용하여 생성한 [Cu0 . 03Ni0 . 03Pt0 . 94]소재의 에너지 준위 별 상태 밀도 그래프는 DFT를 이용하여 추정된 [Cu0 . 03Ni0 . 03Pt0 . 94]소재의 에너지 준위 별 상태 밀도 그래프와 약 96% 일치한다.
제2 학습 모델을 이용하여 추정된 [Cu0 . 03Ni0 . 03Pt0 . 94]소재의 에너지 준위 별 상태 밀도 그래프는 Intel Xeon CPU의 한 개의 코어만을 이용하였을 때, 1분만에 출력 되었다.
도 14f는 제3 학습 모델에 [Cu0 . 03Ni0 . 03Pt0 . 94]소재의 원소에 관련된 데이터를 적용함으로써 생성한 에너지 준위 별 상태 밀도 그래프 및 DFT를 이용하여 추정된 에너지 준위 별 상태 밀도 그래프를 함께 도시한 것이다.
도 14e를 참조하면, 제3 학습 모델을 이용하여 생성한 [Cu0 . 31Ni0 . 31Pt0 . 38]소재의 에너지 준위 별 상태 밀도 그래프는 DFT를 이용하여 추정된 [Cu0 . 31Ni0 . 31Pt0 . 38]소재의 에너지 준위 별 상태 밀도 그래프와 약 96% 일치한다.
제2 학습 모델을 이용하여 추정된 [Cu0 . 31Ni0 . 31Pt0 . 38]소재의 에너지 준위 별 상태 밀도 그래프는 Intel Xeon CPU의 한 개의 코어만을 이용하였을 때, 1분만에 출력 되었다.
즉, 도 14a 내지 도 14f를 참조하면, 개시된 일 실시예의 학습 모델을 이용하여 소재의 에너지 준위 별 상태 밀도 그래프를 추정하는 경우가 종래의 DFT를 이용하여 소재의 에너지 준위 별 상태 밀도 그래프를 추정하는 경우보다 많은 시간을 절약할 수 있지만, 정확도가 큰 차이 나지 않음을 알 수 있다.
또한, 개시된 일 실시예의 학습 모델은 소재의 원소에 관한 데이터 및 소재의 전자 구조에 관한 데이터가 증가될수록 추정된 에너지 준위 별 상태 밀도 그래프의 정확도가 향상될 수 있다.
또한, 소재를 구성하는 원소의 개수가 증가될수록, 개시된 일 실시예의 학습 모델을 이용하여 소재의 에너지 준위 별 상태 밀도 그래프를 추정하는 방법이 종래의 DFT를 이용하여 소재의 에너지 준위 별 상태 밀도 그래프를 추정하는 방법보다 시간을 절약할 수 있음은 자명하다.
도 15a 및 도 15b는 일 실시예에 따른 추정된 에너지 준위 별 상태 밀도 그래프를 생성한 결과와 DFT에 따른 추정된 에너지-상태 밀도 그래프를 생성한 결과를 비교한 것이다.
도 15a는 소재의 전자들의 수에 관한 함수로 에너지 준위 별 상태 밀도를 계산하는 속도를 비교한 것이다.
도 15a를 참조하면, 종래의 DFT를 이용하여 소재의 에너지 준위 별 상태 밀도 그래프를 추정하는 방법에 있어서, 소재의 전자 수와 에너지 준위 별 상태 밀도를 계산하는데 소요되는 시간의 관계는 O(N3)의 함수로 나타낼 수 있다. 즉, 소재의 전자 수의 세제곱에 비례하는 시간이 계산 시간으로 소요됨을 알 수 있다.
반면, 개시된 일 실시예의 학습 모델을 이용하여 소재의 에너지 준위 별 상태 밀도 그래프를 추정하는 방법에 있어서, 소재의 전자 수와 에너지 준위 별 상태 밀도를 계산하는데 소요되는 시간의 관계는 O(1)의 함수로 나타낼 수 있다. 즉, 소재의 전자 수와 무관하게 일정한 시간이 소요됨을 알 수 있다.
도 15b는 Cu-Ni, Cu-Ru, Cu-Pd, Cu-Pt, Ni-Ru, Ni-Pd, Ni-Pt, Ru-Pd, Ru-Pt, 및 Pd-Pt의 소재에 대해서, 학습 모델을 이용하여 추정한 에너지 준위 별 상태 밀도 그래프와 종래의 DFT를 이용하여 소재의 에너지 준위 별 상태 밀도 그래프의 유사도를 비교한 것이다.
도 15b를 참조하면, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Cu-Ni]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Cu-Ni]소재의 에너지 준위 별 상태 밀도 그래프와 약 95% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Cu-Ru]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Cu-Ru]소재의 에너지 준위 별 상태 밀도 그래프와 약 97% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Cu-Pd]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Cu-Pd]소재의 에너지 준위 별 상태 밀도 그래프와 약 98% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Cu-Pt]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Cu-Pt]소재의 에너지 준위 별 상태 밀도 그래프와 약 91% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Ni-Ru]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Ni-Ru]소재의 에너지 준위 별 상태 밀도 그래프와 약 97% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Ni-Pd]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Ni-Pd]소재의 에너지 준위 별 상태 밀도 그래프와 약 92% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Ni-Pt]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Ni-Pt]소재의 에너지 준위 별 상태 밀도 그래프와 약 92% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Ru-Pd]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Ru-Pd]소재의 에너지 준위 별 상태 밀도 그래프와 약 94% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Ru-Pt]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Ru-Pt]소재의 에너지 준위 별 상태 밀도 그래프와 약 91% 일치한다.
또한, 개시된 일 실시예의 학습 모델을 이용하여 추정한 [Pd-Pt]소재의 에너지 준위 별 상태 밀도 그래프는 종래의 DFT를 이용하여 추정한 [Pd-Pt]소재의 에너지 준위 별 상태 밀도 그래프와 약 91% 일치한다.
즉, 도 15a 및 도 15b를 참조하면, 개시된 일 실시예의 학습 모델을 이용하는 경우, 소재의 전자 개수와 무관하게 일정한 속도로 에너지 준위 별 상태 밀도 그래프를 추정할 수 있으며, 종래의 DFT를 이용하여 추정하는 소재의 에너지 준위 별 상태 밀도 그래프와 비교할 때 정확도가 큰 차이 나지 않음을 알 수 있다.
또한, 개시된 일 실시예의 학습 모델은 소재의 원소에 관한 데이터 및 소재의 전자 구조에 관한 데이터가 증가될수록 에너지 준위 별 상태 밀도 그래프를 보다 정확하게 추정할 수 있다.
도 14는 일 실시예에 따른, 전자 장치의 블록도이다.
도 14를 참조하면, 일부 실시예에 따른 전자 장치(1000)는, 사용자 입력부(1100), 출력부(1200), 프로세서(1300), 통신부(1500) 및 메모리(1700)를 포함할 수 있다. 그러나, 도 14에 도시된 구성 요소 모두가 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 14에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 도 14에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있다.
사용자 입력부(1100)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
출력부(1200)는 전자 장치(1000)에서 처리되는 정보를 표시 출력한다. 출력부(1200)는 소재의 전자 구조를 예측할 결과를 출력하는 디스플레이부(1210)를 포함할 수 있다. 예를 들면, 디스플레이부(1210)는 소재를 구성하는 원소들에 관련된 사용자의 입력 데이터에 대응하는 소재의 에너지 준위 별 상태 밀도 그래프를 디스플레이할 수 있다. 디스플레이부(1210)는 소재를 구성하는 원소들에 관련된 데이터를 입력받기 위한 사용자 인터페이스를 디스플레이 할 수 있다.
프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 통신부(1500), 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 13에 기재된 전자 장치(1000)의 기능을 수행할 수 있다.
프로세서(1300)는 소재를 구성하는 원소에 대한 데이터를 입력 받도록 사용자 입력부(1100)를 제어할 수 있다. 프로세서(1300)는 사용자로부터 입력된 데이터에 기초하여 소재의 전자 구조를 예측할 수 있다. 프로세서(1300)는 소재의 전자 구조의 예측 결과를 출력할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 전자 구조를 예측할 제1 소재를 구성하는 원소에 대한 데이터를 입력 받도록 사용자 입력부(1100)를 제어할 수 있다. 일 실시예에 따르면, 프로세서(1300)는 사용자로부터 입력된 제1 소재를 구성하는 원소의 개수, 원소의 종류, 원자 개수, 전자 개수, 화학식 및 실험식 등에 대한 데이터를 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하여 소재의 전자 구조를 예측할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 제1 소재의 전자 구조를 예측하기 위하여 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있고, 생성된 제1 소재의 에너지 준위 별 상태 밀도 그래프를 출력할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 제1 소재의 전자 구조를 예측하기 위하여 학습 모델에 적용할 학습 데이터로서, 복수의 제2 소재들에 대한 데이터를 입력 받도록 사용자 입력부(1100)를 제어할 수 있다. 제2 소재들은 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성될 수 있다. 일 실시예에 따르면, 프로세서(1300)는 학습 데이터를 학습 모델에 적용하기 위한 인식 데이터로 변환할 수 있다. 예를 들면, 프로세서(1300)는 복수의 소재의 에너지 준위 별 상태 밀도 그래프 각각을 격자 이미지로 변환할 수 있다. 프로세서(1300)는 변환된 격자 이미지들을 행렬로 변환할 수 있다. 프로세서(1300)는 변환된 행렬을 제2 소재의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터로 변환할 수 있다. 프로세서(1300)는 변환된 인식 데이터를 학습 모델에 적용할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 학습 모델에 적용된 인식 데이터를 이용하여 소재의 전자 구조를 예측하기 위한 기준을 결정할 수 있다. 예를 들면, 프로세서(1300)는 변환된 복수의 격자 이미지들을 이용하여 소재의 전자 구조를 예측하기 위한 기준을 결정할 수 있다. 또는, 프로세서(1300)는 격자 이미지들이 변환된 행렬들을 이용하여 소재의 전자 구조를 예측하기 위한 기준을 결정할 수 있다. 또는, 프로세서(1300)는 행렬들이 변환된 이미지 벡터들을 이용하여 소재의 전자 구조를 예측하기 위한 기준을 결정할 수 있다.
프로세서(1300)는 소재의 전자 구조를 예측하기 위한 기준으로서 소재의 에너지 준위 별 상태 밀도 그래프를 생성하기 위한 주성분 벡터를 결정할 수 있다. 프로세서(1300)는 소재의 전자 구조를 예측하기 위한 기준으로서 주성분 벡터의 개수를 결정할 수 있다. 프로세서(1300)는 소재의 전자 구조를 예측하기 위한 기준으로서 주성분 벡터의 계수를 결정할 수 있다. 프로세서(1300)는 소재의 전자 구조를 예측하기 위한 기준으로서 주성분 벡터의 계수와 소재의 조성 정보 및 소재의 결정 구조 정보의 관계를 결정할 수 있다. 예를 들면, 프로세서(1300)는 소재의 전자 구조를 예측하기 위한 기준으로서 주성분 벡터의 계수와 소재의 d-오비탈 전자 점유율, 소재의 배위수(coordination number, CN) 및 소재의 혼합 계수(Mixing Factor, Fmix) 중 적어도 하나와의 관계를 결정할 수 있다.
프로세서(1300)는 제1 소재의 d-오비탈의 전자 점유율, 제1 소재의 배위수 및 제1 소재의 혼합 계수 각각에 대응하는 주성분 벡터의 계수들을 결정할 수 있다. 프로세서(1300)는 제1 소재의 d-오비탈의 전자 점유율, 제1 소재의 배위수 및 제1 소재의 혼합 계수 각각에 대응하는 주성분 벡터의 계수들 각각에 적용될 가중치를 결정할 수 있다. 프로세서(1300)는 가중치가 적용된 주성분 벡터의 계수들을 선형 결합함으로써 제1 소재의 주성분들 각각의 계수를 결정할 수 있다. 프로세서(1300)는 학습 데이터로 수신된 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도 그래프 각각을 격자 이미지로 변환할 수 있다. 프로세서(1300)는 격자 이미지를 행렬로 변환할 수 있다. 프로세서(1300)는 변환된 행렬에 기초하여 주성분 벡터를 결정할 수 있다.
프로세서(1300)는 복수의 제2 소재들 각각에 대한 행렬에 대하여 주성분 분석(Principal component analysis; PCA)을 수행함으로써, 적어도 하나의 주성분 벡터를 결정할 수 있다. 프로세서(1300)는 복수의 제2 소재들 각각에 대한 행렬의 공분산을 산출할 수 있다. 프로세서(1300)는 산출된 공분산에 기초하여 적어도 하나의 고유 벡터 및 적어도 하나의 고유값을 산출할 수 있다. 프로세서(1300)는 적어도 하나의 고유 벡터 및 적어도 하나의 고유값을 이용하여 복수의 행렬에 대한 주성분을 결정할 수 있다.
프로세서(1300)는 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터들을 이용하여 공분산 행렬을 생성할 수 있다. 프로세서(1300)는 공분산 행렬로부터 적어도 하나의 고유 벡터 및 적어도 하나의 고유 값을 산출할 수 있다. 프로세서(1300)는 산출된 적어도 하나의 고유 벡터를 주성분 벡터로 결정할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 제2 소재에 관련된 데이터로부터 주성분 벡터의 제2 계수를 결정할 수 있다. 여기서, 제2 계수는 결정된 적어도 하나의 주성분 벡터에 대하여 제2 소재의 에너지 준위 별 상태 밀도의 특성을 나타내기 위한 계수를 의미한다.
일 실시예에 따르면, 프로세서(1300)는 제2 소재에 관련된 데이터로부터 제2 소재의 d-오비탈의 전자 점유율, 제2 소재의 배위수 및 제2 소재의 혼합 계수 중 적어도 하나를 획득할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 제2 소재의 d-오비탈의 전자 점유율, 제2 소재의 배위수 및 제2 소재의 혼합 계수 중 적어도 하나와 주성분 벡터의 계수와의 관계를 추정할 수 있다. 예를 들면, 프로세서(1300)는 추정된 관계를 선형 그래프로 나타낼 수 있다.
일 실시예에 따르면, 프로세서(1300)는 추정된 관계로부터 주성분 벡터의 제1 계수를 결정할 수 있다. 여기서, 제1 계수는 적어도 하나의 주성분 벡터에 대하여 제1 소재의 에너지 준위 별 상태 밀도의 특성을 나타내기 위한 계수를 의미한다. 프로세서(1300)는 선형 그래프에 선형 보간법을 수행함으로써, 제1 계수를 결정할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 제1 소재와 유사한 복수의 제2 소재들과 제1 소재의 유사도에 기초하여 제1 계수를 결정할 수 있다. 여기서, 제1 계수는 적어도 하나의 주성분 벡터에 대하여 제1 소재의 에너지 준위 별 상태 밀도의 특성을 나타내기 위한 계수를 의미한다. 프로세서(1300)는 제1 소재의 제1 조성 정보와 복수의 제2 소재들 각각의 제2 조성 정보를 비교하고, 제1 소재의 제1 결정 구조 정보와 복수의 제2 소재들 각각의 제2 결정 구조 정보를 비교함으로써, 복수의 제2 소재들 각각과 제1 소재의 유사도를 결정할 수 있다. 프로세서(1300)는 복수의 제2 소재들 각각과 제1 소재의 유사도에 기초하여 복수의 제2 소재들 각각의 가중치를 결정할 수 있다. 프로세서(1300)는 복수의 제2 소재들 각각의 주성분 벡터의 계수와 가중치를 선형 결합함으로써 제1 계수를 결정할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 결정된 기준을 이용하여 제1 소재의 전자 구조를 추정할 수 있다. 프로세서(1300)는 제1 소재의 전자 구조를 추정한 결과를 출력할 수 있다. 예를 들면, 프로세서(1300)는 결정된 주성분 벡터, 주성분 벡터의 개수 및 주성분 벡터의 제1 계수를 이용하여 제1 소재의 에너지 준위 별 상태 밀도 그래프를 생성할 수 있다.
일 실시예에 따르면, 프로세서(1300)는 프로세서(1300)가 추정한 제1 소재의 전자 구조를 학습 데이터로써 학습 모델에 적용할 수 있다. 예를 들면, 프로세서(1300)는 제1 소재를 구성하는 원소에 관련된 데이터 및 제1 소재의 에너지 준위 별 상태 밀도 그래프를 학습 데이터로서 적용할 수 있다.
프로세서(1300)는 제2 소재를 구성하는 원소에 관한 데이터 및 제2 소재의 전자 구조에 관한 데이터가 증가될수록 제1 소재의 전자 구조를 정확하게 예측할 수 있다.
프로세서(1300)는 프로세서(1300)가 예측한 제1 소재의 전자 구조를 학습 데이터로서 제1 학습 모델에 적용함으로써, 제1 학습 모델을 학습시킬 수 있다. 또한, 프로세서(1300)는 새롭게 학습된 제2 학습 모델에 프로세서(1300)가 추정한 제2 소재 중 적어도 하나의 전자 구조를 다시 추정하고, 추정한 결과를 다시 학습 데이터로서 학습 모델에 적용함으로써, 제2 학습 모델을 학습시킬 수 있다. 즉, 프로세서(1300)는 소재의 전자 구조를 추정하고, 추정된 결과를 학습 모델에 학습 데이터로서 적용하는 것을 반복적으로 수행함으로써, 전자 구조를 정확하게 예측할 수 있다.
또한, 프로세서(1300)는 메모리(1700) 또는 서버(2000)에 저장된 데이터 인식 모델을 이용하여, 제1 소재의 전자 구조를 예측할 수 있다.
또한, 프로세서(1300)는 메모리(1700) 또는 서버(2000)에 저장된 데이터 인식 모델을 이용함으로써, 제1 소재의 전자 구조를 예측하기 위한 기준을 효율적으로 학습할 수 있으며, 학습된 결과에 따라 빠르게 제1 소재의 전자 구조를 정확하게 예측할 수 있다.
통신부(1500)는, 전자 장치(1000)가 다른 장치(미도시) 및 서버(2000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 전자 장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다.
또한, 통신부(1500)는, 제1 소재의 전자 구조를 예측하는 동작을 실행하기 위해 필요한 정보를 다른 장치(미도시) 및 서버(2000)와 송수신할 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다.
메모리(1700)는 전자 장치(1000)의 시스템 메모리(예를 들면, 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory)) 및 데이터 스토리지(예를 들면, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크)를 포함할 수 있다.
도 17은 일 실시예에 따른, 전자 장치의 제어부의 블록도이다.
도 17을 참조하면, 일부 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 제1 소재의 전자 구조를 예측하기 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 제1 소재의 전자 구조를 예측할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 18은 일 실시예에 따른, 전자 장치와 연동하는 서버의 블록도이다.
도 18을 참조하면, 일부 실시예에 따른 서버(2000)는 통신부(2500), DB(2700) 및 프로세서(2300)를 포함할 수 있다.
통신부(2500)는 전자 장치(1000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다.
DB(2700)는 제1 소재의 전자 구조를 예측하기 위한 데이터 및 프로그램을 저장할 수 있다.
프로세서(2300)는 통상적으로 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 서버(2000)의 DB(2700)에 저장된 프로그램들을 실행함으로써, DB(2700) 및 통신부(2500) 등을 전반적으로 제어할 수 있다. 프로세서(2300)는 DB(2700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 11에서의 전자 장치(1000)의 동작의 일부를 수행할 수 있다.
또한, 프로세서(2300)는 제1 소재의 전자 구조를 예측할 수 있다.
또한, 프로세서(2300)는 DB(2700)에 저장된 데이터 인식 모델을 이용함으로써, 제1 소재의 전자 구조를 예측하기 위한 기준을 효율적으로 학습할 수 있으며, 학습된 결과에 따라 빠르게 제1 소재의 전자 구조를 정확하게 예측할 수 있다.
한편, 디바이스(1000) 및 서버(2000)는 데이터 인식 모델의 학습 및 데이터 인식을 위한 작업을 효과적으로 분배하여 수행할 수 있으며, 이를 통하여, 사용자의 의도에 부합하는 서비스를 제공하기 위하여 데이터 처리를 효율적으로 수행하고, 사용자의 프라이버시를 효과적으로 보호할 수 있다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈을 포함한다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 전자 장치가 제1 소재의 전자 구조를 예측하는 방법에 있어서,
    상기 제1 소재를 구성하는 원소들에 관련된 사용자의 입력 데이터를 수신하는 단계;
    상기 수신된 입력 데이터를, 상기 제1 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하는 단계; 및
    상기 학습 모델로부터 출력되는 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 제1 그래프를 출력하는 단계;를 포함하며,
    상기 학습 모델은,
    상기 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 대한 기 입력된 데이터 및 상기 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도를 나타내는 복수의 제2 그래프에 기초하여, 상기 제1 그래프를 생성하도록 학습된 것인, 방법.
  2. 제1 항에 있어서,
    상기 학습 모델은
    상기 복수의 제2 그래프 각각을 격자 이미지로 변환하고,
    상기 복수의 제2 그래프가 변환된 복수의 격자 이미지에 기초하여 상기 제1 그래프의 특성을 나타낼 적어도 하나의 주성분 벡터를 결정하고
    상기 결정된 적어도 하나의 주성분 벡터에 기초하여 상기 제1 그래프를 생성하도록 학습된 것인, 방법.
  3. 제2 항에 있어서,
    상기 학습 모델은,
    상기 수신된 사용자의 입력 데이터로부터 상기 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 조성(composition) 정보 및 상기 제1 소재의 결정 구조(crystal structure)를 나타내는 결정 구조 정보 중 적어도 하나를 획득하고,
    상기 획득된 조성 정보 및 결정 구조 정보 중 적어도 하나에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하며,
    상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 그래프를 생성하도록 학습된 것인, 방법.
  4. 제3 항에 있어서,
    상기 조성 정보는 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율d-오비탈의 전자 점유율을 포함하고,
    상기 학습 모델은 상기 획득된 d-오비탈의 전자 점유율d-오비탈의 전자 점유율들에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 방법.
  5. 제3 항에 있어서,
    상기 결정 구조 정보는 상기 제1 소재의 배위수 및 상기 제1 소재의 혼합 계수 중 적어도 하나를 포함하고,
    상기 학습 모델은 상기 획득된 배위수 및 혼합 계수 중 적어도 하나에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 방법.
  6. 제3 항에 있어서,
    상기 학습 모델은,
    상기 제1 소재를 구성하는 복수의 원소들의 종류에 기초하여 상기 조성 정보 및 상기 결정 구조 정보 각각에 적용될 가중치를 결정하고,
    상기 결정된 가중치에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 방법.
  7. 제2 항에 있어서,
    상기 학습 모델은,
    상기 복수의 제2 소재들 각각과 상기 제1 소재의 유사도를 결정하고,
    상기 결정된 유사도에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하며,
    상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 그래프를 생성하도록 학습된 것인, 방법.
  8. 제7 항에 있어서,
    상기 학습 모델은,
    상기 수신된 사용자의 입력 데이터로부터 상기 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 제1 조성(composition) 정보 및 상기 제1 소재의 결정 구조(crystal structure)를 나타내는 제1 결정 구조 정보를 획득하고,
    학습 데이터로부터 상기 복수의 제2 소재들 중 하나인 제3 소재의 제2 조성 정보 및 제2 결정 구조 정보를 획득하며,
    상기 획득된 제1 조성 정보, 제1 결정 구조 정보, 제2 조성 정보 및 제2 결정 구조 정보에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것인, 방법.
  9. 제8 항에 있어서,
    상기 제1 조성 정보는 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율을 포함하고,
    상기 제2 조성 정보는 상기 제3 소재를 구성하는 원소들 각각의 d-오비탈의 전자 점유율을 포함하며,
    상기 학습 모델은 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율 및 상기 제3 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것인, 방법.
  10. 제8 항에 있어서,
    상기 제1 결정 구조 정보는 상기 제1 소재의 배위수 및 상기 제1 소재의 혼합 계수를 포함하고,
    상기 제2 결정 구조 정보는 상기 제3 소재의 배위수 및 상기 제3 소재의 혼합 계수를 포함하며,
    상기 학습 모델은 상기 제1 소재의 배위수, 상기 제1 소재의 혼합 계수, 상기 제3 소재의 배위수 및 상기 제3 소재의 혼합 계수에 기초하여, 상기 제1 소재와 상기 제3 소재의 유사도를 결정하도록 학습된 것인, 방법.
  11. 제8 항에 있어서,
    상기 학습 모델은,
    상기 제1 소재와 상기 제3 소재의 유사도에 기초하여 상기 복수의 제2 소재들 각각의 주성분 벡터의 계수에 적용될 가중치를 결정하고,
    상기 결정된 가중치에 기초하여 상기 제1 그래프를 생성하는데 이용되는 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 방법.
  12. 제2 항에 있어서,
    상기 학습 모델은,
    상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 적어도 하나의 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터를 생성하고,
    상기 생성된 이미지 벡터를 행렬로 변환하며,
    상기 변환된 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습된 것인, 방법.
  13. 제12 항에 있어서,
    상기 학습 모델은,
    상기 행렬을 에너지 준위 별로 상태 밀도가 존재할 확률을 나타내는 확률 행렬로 변환하고,
    상기 변환된 확률 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습 된 것인, 방법.
  14. 제1 소재의 전자 구조를 예측하는 전자 장치에 있어서,
    상기 제1 소재를 구성하는 원소들에 관련된 사용자의 입력 데이터를 수신하는 사용자 입력부;
    상기 수신된 입력 데이터를, 상기 제1 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하는 프로세서; 및
    상기 학습 모델로부터 출력되는 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 제1 그래프를 출력하는 출력부;를 포함하며,
    상기 학습 모델은,
    상기 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 대한 기 입력된 데이터 및 상기 복수의 제2 소재들 각각의 에너지 준위 별 상태 밀도를 나타내는 복수의 제2 그래프에 기초하여, 상기 제1 그래프를 생성하도록 학습된 것인, 전자 장치.
  15. 제1 항 내지 제13 항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
PCT/KR2018/009278 2017-08-28 2018-08-13 소재의 전자 구조를 예측하는 방법 및 전자 장치 WO2019045320A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/335,235 US11475340B2 (en) 2017-08-28 2018-08-13 Method and electronic device for predicting electronic structure of material

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR10-2017-0108850 2017-08-28
KR1020170108850A KR101943518B1 (ko) 2017-08-28 2017-08-28 소재의 전자 구조를 예측하는 방법 및 전자 장치
KR10-2018-0084269 2018-07-19
KR1020180084270A KR102103551B1 (ko) 2018-07-19 2018-07-19 소재의 전자 구조를 예측하는 방법 및 전자 장치
KR10-2018-0084270 2018-07-19
KR1020180084269A KR102103548B1 (ko) 2018-07-19 2018-07-19 소재의 전자 구조를 예측하는 방법 및 전자 장치

Publications (1)

Publication Number Publication Date
WO2019045320A1 true WO2019045320A1 (ko) 2019-03-07

Family

ID=65527741

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/009278 WO2019045320A1 (ko) 2017-08-28 2018-08-13 소재의 전자 구조를 예측하는 방법 및 전자 장치

Country Status (2)

Country Link
US (1) US11475340B2 (ko)
WO (1) WO2019045320A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11586982B2 (en) 2019-09-18 2023-02-21 Samsung Electronics Co., Ltd. Electronic and atomic structure computation utilizing machine learning
US11537898B2 (en) 2019-10-02 2022-12-27 Samsung Electronics Co., Ltd. Generative structure-property inverse computational co-design of materials

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050103654A (ko) * 2004-04-27 2005-11-01 브이피코리아 주식회사 인터넷을 이용한 통계분석 시스템의 물성데이터베이스운영방법
KR20090083763A (ko) * 2008-01-30 2009-08-04 주식회사 엘지화학 전기화학적 응용 제품에 사용되는 화학물질 후보군 검색시스템 및 방법
KR20100042453A (ko) * 2008-10-16 2010-04-26 주식회사 엘지화학 디스플레이 소재에 사용되는 화학물질 후보군 검색 시스템 및 방법
KR20100079659A (ko) * 2008-12-31 2010-07-08 한국세라믹기술원 웹기반 소재물성정보 데이터베이스 구축방법
JP2017120640A (ja) * 2015-12-24 2017-07-06 Ｊｆｅスチール株式会社 電磁鋼板の磁気特性予測装置及び磁気特性制御装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6122042A (en) * 1997-02-07 2000-09-19 Wunderman; Irwin Devices and methods for optically identifying characteristics of material objects
JP2014038595A (ja) 2012-07-20 2014-02-27 Jfe Steel Corp 鋼材の材質予測装置及び材質制御方法
JP2015141533A (ja) 2014-01-28 2015-08-03 シャープ株式会社 電子状態算出装置、電子状態算出方法、及び電子状態算出プログラム
US20190120049A1 (en) * 2016-11-04 2019-04-25 Halliburton Energy Services, Inc. Universal Downhole Fluid Analyzer With Generic Inputs

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050103654A (ko) * 2004-04-27 2005-11-01 브이피코리아 주식회사 인터넷을 이용한 통계분석 시스템의 물성데이터베이스운영방법
KR20090083763A (ko) * 2008-01-30 2009-08-04 주식회사 엘지화학 전기화학적 응용 제품에 사용되는 화학물질 후보군 검색시스템 및 방법
KR20100042453A (ko) * 2008-10-16 2010-04-26 주식회사 엘지화학 디스플레이 소재에 사용되는 화학물질 후보군 검색 시스템 및 방법
KR20100079659A (ko) * 2008-12-31 2010-07-08 한국세라믹기술원 웹기반 소재물성정보 데이터베이스 구축방법
JP2017120640A (ja) * 2015-12-24 2017-07-06 Ｊｆｅスチール株式会社 電磁鋼板の磁気特性予測装置及び磁気特性制御装置

Also Published As

Publication number Publication date
US11475340B2 (en) 2022-10-18
US20190251459A1 (en) 2019-08-15

Similar Documents

Publication Publication Date Title
WO2020197241A1 (en) Device and method for compressing machine learning model
WO2015183050A1 (ko) 옵티컬 트래킹 시스템 및 옵티컬 트래킹 시스템의 마커부 자세 및 위치 산출방법
WO2015139232A1 (zh) 一种应用的推荐方法、系统及服务器
WO2009131376A2 (en) Multiple antenna communication system including adaptive updating and changing of codebooks
WO2012070867A2 (ko) 와이어를 이용한 자율이동장치 제어 시스템 및 방법
WO2011076035A1 (zh) 一种实现多卡槽访问的方法和装置
WO2016195455A1 (ko) 그래프 기반 변환을 이용하여 비디오 신호를 처리하는 방법 및 장치
WO2019045320A1 (ko) 소재의 전자 구조를 예측하는 방법 및 전자 장치
WO2019000466A1 (zh) 人脸识别方法、装置、存储介质及电子设备
WO2020242260A1 (ko) 전역적 문맥을 이용하는 기계 학습 기반의 이미지 압축을 위한 방법 및 장치
WO2023153818A1 (en) Method of providing neural network model and electronic apparatus for performing the same
WO2013180427A1 (ko) 조임기구 기체유량계 프로그램 및 유량측정방법 및 이를 이용한 유량측정장치
WO2019172685A1 (en) Electronic apparatus and control method thereof
WO2019203421A1 (ko) 디스플레이 장치 및 디스플레이 장치의 제어 방법
WO2023033275A1 (ko) 개인 맞춤 생체나이 예측 모형 생성 방법 및 시스템
WO2022158686A1 (ko) 암호화된 정보에 기초하여, 인공지능 모델을 이용한 추론을 수행하는 전자 장치 및 그 동작 방법
WO2018182310A1 (ko) 비디오 부호화 방법 및 장치, 비디오 복호화 방법 및 장치
WO2020138911A1 (en) Method and apparatus for controlling smart device to perform corresponding operations
WO2020017827A1 (ko) 전자 장치, 및 전자 장치의 제어 방법
WO2016204581A1 (ko) 저연산 포맷 변환을 위한 인터널 채널 처리 방법 및 장치
WO2017014483A1 (ko) 기술적 파급효과 분석 방법
WO2020059977A1 (ko) 연속적으로 스티어링 가능한 2차 디퍼런셜 마이크로폰 어레이 및 그것을 구성하는 방법
WO2021235750A1 (ko) 강인음성인식을 위한 방향벡터 추정을 겸한 온라인 우도최대화를 이용한 빔포밍 방법 및 그 장치
WO2011002260A2 (en) Rotating reference codebook that is used in a multiple-input multiple-output (mimo) communication system
WO2017135657A1 (ko) 풍력터빈의 정격출력 유지를 위한 토크모드스위치 제어방법 및 그 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18852409

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18852409

Country of ref document: EP

Kind code of ref document: A1