개요:

머신러닝 (ML)은 산도( 용해도), 점도( 안정성), 심지어 관능적 특성까지 주요 성능 지표에 대한 데이터 기반 예측을 가능하게 함으로써 제형 설계에 혁명을 일으키고 있습니다. 화학 지식을 반영한 AI/ML 모델은 퍼스널 케어 및 식품부터 제약 및 배터리 전해질에 이르기까지 광범위한 제형 분야에서 혁신을 가속화할 수 있는 강력한 프레임워크를 제공합니다. 방대하고 다양한 데이터 세트를 분석함으로써, ML은 복잡한 혼합물이나 여러 혼합물이 결합된 성분을 포함한 새로운 제형의 거동을 예측할 수 있어, 시행착오 방식에 대한 의존도를 획기적으로 줄이고 시장 출시 기간을 단축합니다.

자동화 솔루션을 통해 원료 조성 정보와 분자 구조를 통합하여 제형 성능을 최적화하는 예측 모델을 생성할 수 있습니다. 이를 통해 연구개발(R&D) 팀은 복잡한 제형 공간을 탐색하고, 개발 주기를 단축하며, 보다 효과적으로 혁신을 이룰 수 있습니다. 이번 웨비나에서는 Schrödinger의 통합된 머신러닝(ML) 및 물리 기반 접근 방식이 제형 설계를 어떻게 변화시키고 있는지, 특히 소비재(CPG)와 관련된 응용 사례에 중점을 두고 시연해 드리겠습니다.

주요 학습 목표:

• 데이터 입력량이 제한된 프로젝트에서 물리 기반 모델이 머신러닝 모델의 성능을 향상시키기 위한 의미 있는 데이터를 생성하는 데 어떻게 도움이 될 수 있는지
• 화학 및 조성 정보를 통합한 자동화된 ML 솔루션이 다성분 시스템에서 용해도 를 어떻게 예측할 수 있는가
• 물리 기반 표현자 로 강화된 ML 모델이 점도 예측을 어떻게 개선할 수 있는가
• 제형 머신러닝(ML) 도구를 통해 비전산 전문가들이 다양한 목표 기준을 충족하는 새로운 소비재(CPG) 제품을 설계할 수 있는 방법 — 샴푸 제형을 사례로 한 연구

참가 대상:

• 연구개발(R&D) 리더들
• 혁신 관리자
• 디지털화 관리자
• 합성 화학자
• 재료 과학자
• 화학공학자
• 재료 연구 엔지니어
• 계산 화학자
• 계산 재료 과학자