머신러닝 의 최신 기술로 소재 연구 가속화

과제

• 성능이 향상되고 친환경적인 화학적 특성을 지닌 신소재 개발에 대한 막대한 수요
• 제품을 신속하고 비용 효율적으로 시장에 출시해야 한다는 압박
• 재료 최적화 및 신소재 발굴의 규모를 확대하기 위해 정보학 기반의 예측 모델이 시급히 요구되고 있다
• 모델을 효과적으로 학습시키는 데 필요한 재료 특성 관련 대규모 데이터 세트의 확보가 제한적임

솔루션

• 첨단 머신러닝 기술과 딥러닝 기능을 통해 물리 기반 모델링의 성능을 한 차원 높여보세요
• 머신러닝 를 활용하여 실험적 방법으로는 접근할 수 없는 광범위한 화학적 영역에 걸쳐 예측 범위를 확장한다
• 매우 다양한 재료 시스템에 맞춰 맞춤형 표현자 를 개발하여 예측의 정확도를 높인다
• 통합된 클라우드 기반 엔터프라이즈 정보학 플랫폼을 통해 프로젝트 팀 간에 협업하고, 분산된 데이터를 관리하며, 예측 모델을 공유하세요.

에너지, 항공우주, 전자, 식품 등 다양한 분야에서 기술이 급속히 발전함에 따라 신소재의 설계 및 개발에 대한 수요가 증가하고 있습니다. 이러한 수요를 충족하기 위해 재료 과학자들은 화학적 특성을 최적화하고, 성능이 우수하며 지속 가능성이 높은 제품의 시장 출시 기간을 단축할 수 있는 혁신적인 방법을 모색하고 있습니다. 그러나 기존의 시행착오 방식에 의존하는 실험 방법만으로는 비용이 너무 많이 들고 속도가 너무 느릴 뿐만 아니라, 실험 조건에 따른 한계도 있습니다. 따라서 재료 혁신 R&D 주기는 오랫동안 양자역학 및 분산 계통론( 분자동역학 )과 같은 물리 기반 시뮬레이션 엔진을 활용해 왔으며, 이를 통해 다양한 응용 분야와 산업에 필요한 신소재의 화학 성질, 구조, 형태 및 조성 발견 비용을 절감해 왔습니다. 지난 몇 년간 연산 능력의 향상과 재료 특성 대규모 데이터셋 구축에 대한 관심이 높아짐에 따라, 재료 과학 분야에서 재료 정보학(materials informatics) 및 분산 계통론( 머신러닝) 기반 접근법의 채택이 점차 확대되고 있습니다. 그러나 이러한 방법은 데이터 집약도가 매우 높으며, 훈련 모델의 화학적 공간을 넘어선 외삽이 불가능하다는 한계가 있습니다. 따라서 재료 최적화 및 발굴의 규모를 확장하고, 물성 한계와 설계 규칙을 도출하며, 물리 기반 모델링과 머신러닝 방법 간의 자연스러운 시너지를 이끌어내기 위해, 정보학 기반의 신속한 예측 모델이 시급히 요구되고 있습니다. 또한, 머신러닝 기법의 급속한 발전에 따라, 전문가와 비전문가 모두가 사용할 수 있도록 연구 기관 전반에 걸쳐 정확한 예측 모델을 배포하고 공유해야 할 필요성이 점점 더 커지고 있습니다. 성공적인 R&D 디지털화 노력을 위해서는 연구에 활용될 예측 모델을 평가할 수 있는 견고하고 협업적인 플랫폼이 필요합니다.