초록:

재료과학 및 화학 분야에서 기계 학습( 머신러닝 , ML)의 급속한 확산은 딥러닝 방법론의 발전에 힘입은 바 크다. 많은 산업계 과학자들이 데이터 중심적이고 AI가 주도하는 설계 패러다임으로 전환하기를 희망하고 있지만, 기업들은 종종 제한된 데이터 세트와 맞춤형 특징 추출 기법이 필요한 복잡한 소재를 다루어야 하는 상황에 직면한다. 게다가 일반적으로 사용되는 ML 기법들은 설명 가능성 문제와 미개척 화학 영역으로의 외삽 문제 등에 종종 어려움을 겪는다.

이번 웨비나에서는 물리 기반 시뮬레이션 데이터, 엔터프라이즈 인포매틱스, 화학 기반 머신러닝을 결합하여 ‘ Schrödinger’의 도구가 이러한 일반적인 과제를 해결하는 데 어떻게 도움이 되는지 시연합니다. 또한 이러한 시너지 효과를 발휘하는 접근 방식이 다양한 기술 분야에서 소재 혁신을 어떻게 변화시킬 수 있는지 중점적으로 다룹니다. 구체적으로, 다음 분야의 사례 연구를 소개할 예정입니다:

• 분자동역학 시뮬레이션을 활용하여 점도 예측을 위한 머신러닝 모델의 정확도를 향상시키는 표현자 를 생성하기
• 리튬 이온 배터리 전해질의 이온 전도도를 예측하기 위한 설명 가능한 기계 학습 모델 개발
• 밀도 함수 이론(Density Functional Theory)에 기반을 둔 표현자 를 활용하여 유기 전자 소자의 흡수 및 방출 파장, 형광 수명, 소멸 계수 등의 특성을 예측하는 ML 모델의 성능 향상

이러한 통합적 접근 방식은 기계학습(ML)과 물리 기반 방법의 장점을 결합함으로써, 재료과학 및 화학 분야의 새로운 지평을 열어주고 있습니다.