| 1 |
1
뉴럴 네트워크 장치에서 화학 구조를 생성하는 방법에 있어서,목표 물성 값 및 목표 구조 특징 값을 입력으로 수신하는 단계;상기 수신된 입력에 기초하여, 1 세대 표현자들을 선택하는 단계;상기 1 세대 표현자들에 대해 유전 알고리즘(Genetic Algorithm)을 적용하여 2 세대 표현자들을 생성하는 단계;제 1 뉴럴 네트워크를 이용하여 상기 2 세대 표현자들 각각의 물성을 평가하고, 제 2 뉴럴 네트워크를 이용하여 상기 2 세대 표현자들 각각의 구조를 평가하는 단계;상기 평가 결과에 기초하여, 상기 2 세대 표현자들 중에서, 상기 목표 물성 값 및 상기 목표 구조 특징 값을 갖는 후보 표현자들을 선택하는 단계; 및상기 제 2 뉴럴 네트워크를 이용하여 상기 선택된 후보 표현자들에 대한 화학 구조를 생성하는 단계;를 포함하는 방법
|
| 2 |
2
제 1항에 있어서,상기 후보 표현자들을 선택하는 단계는,상기 선택된 후보 표현자들의 수가 기설정된 값 이하인 경우, 상기 유전 알고리즘의 변형 지수를 변경하는 단계; 및상기 1 세대 표현자들에 대해, 상기 변경된 변형 지수에 기초하여 상기 유전 알고리즘을 적용함으로써 상기 2 세대 표현자들을 재생성하는 단계;를 더 포함하는, 방법
|
| 3 |
3
제 1항에 있어서,상기 물성을 평가하는 단계는,상기 2 세대 표현자들을 상기 제 1 뉴럴 네트워크에 입력하고, 상기 2 세대 표현자들 각각의 물성 값을 출력으로서 생성하는 단계; 및상기 생성된 물성 값과 상기 목표 물성 값을 비교함으로써, 상기 2 세대 표현자들 각각의 물성을 평가하는 단계;를 포함하고,상기 제 1 뉴럴 네트워크는 심층 신경망(Deep Neural Network, 이하 DNN)인 것인, 방법
|
| 4 |
4
제 1항에 있어서,상기 구조를 평가하는 단계는,상기 2 세대 표현자들을 상기 제 2 뉴럴 네트워크에 입력하고, 상기 2 세대 표현자들 각각에 대한 구조 특징 값을 출력으로서 생성하는 단계; 및상기 생성된 구조 특징 값에 상기 목표 구조 특징 값이 포함되는지 여부를 판단함으로써, 상기 2 세대 표현자들의 상기 구조를 평가하는 단계;를 포함하고,상기 제 2 뉴럴 네트워크는 순환 신경망(Recurrent Neural Network, 이하 RNN)인 것인, 방법
|
| 5 |
5
화학 구조를 생성하는 뉴럴 네트워크 장치에 있어서,목표 물성 값 및 목표 구조 특징 값을 입력으로 수신하는 사용자 인터페이스;적어도 하나의 프로그램이 저장된 메모리; 및상기 적어도 하나의 프로그램을 실행함으로써 뉴럴 네트워크를 구동하는 프로세서를 포함하고,상기 프로세서는,상기 수신된 입력에 기초하여, 1 세대 표현자들을 선택하고,상기 1 세대 표현자들에 대해 유전 알고리즘(Genetic Algorithm)을 적용하여 2 세대 표현자들을 생성하고,제 1 뉴럴 네트워크를 이용하여 상기 2 세대 표현자들 각각의 물성을 평가하고, 제 2 뉴럴 네트워크를 이용하여 상기 2 세대 표현자들 각각의 구조를 평가하고,상기 평가 결과에 기초하여, 상기 2 세대 표현자들 중에서, 상기 목표 물성 값 및 상기 목표 구조 특징 값을 갖는 후보 표현자들을 선택하고,상기 제 2 뉴럴 네트워크를 이용하여 상기 선택된 후보 표현자들에 대한 화학 구조를 생성하는, 뉴럴 네트워크 장치
|
| 6 |
6
제 5항에 있어서,상기 프로세서는,상기 선택된 후보 표현자들의 수가 기설정된 값 이하인 경우, 상기 유전 알고리즘의 변형 지수를 변경하고,상기 1 세대 표현자들에 대해, 상기 변경된 변형 지수에 기초하여 상기 유전 알고리즘을 적용함으로써 상기 2 세대 표현자들을 재생성하는, 뉴럴 네트워크 장치
|
| 7 |
7
제 5항에 있어서,상기 프로세서는,상기 2 세대 표현자들을 상기 제 1 뉴럴 네트워크에 입력하고, 상기 2 세대 표현자들 각각의 물성 값을 출력으로서 생성하고, 상기 생성된 물성 값과 상기 목표 물성 값을 비교함으로써, 상기 2 세대 표현자들 각각의 물성을 평가하며,상기 제 1 뉴럴 네트워크는 심층 신경망(Deep Neural Network, 이하 DNN)인 것인, 뉴럴 네트워크 장치
|
| 8 |
8
제 5항에 있어서,상기 프로세서는,상기 2 세대 표현자들을 상기 제 2 뉴럴 네트워크에 입력하고, 상기 2 세대 표현자들 각각에 대한 구조 특징 값을 출력으로서 생성하고,상기 생성된 구조 특징 값에 상기 목표 구조 특징 값이 포함되는지 여부를 판단함으로써, 상기 2 세대 표현자들의 상기 구조를 평가하며,상기 제 2 뉴럴 네트워크는 순환 신경망(Recurrent Neural Network, 이하 RNN)인 것인, 뉴럴 네트워크 장치
|
| 9 |
9
뉴럴 네트워크 장치에서 CVAE(Conditional Variational Autoencoder)를 이용하여 화학 구조를 생성하는 방법에 있어서,제 1 표현자들을 저차원(low dimension)의 잠재 변수들(latent variable)로 변환하는 단계;상기 잠재 변수들을 레턴트 맵(latent map)에 매핑하는 단계;상기 레턴트 맵에서 상기 잠재 변수들이 매핑되지 않은 영역을 선택하는 단계; 및상기 선택된 영역의 상기 잠재 변수들을 고차원의 제 2 표현자들로 변환한 후, 상기 제 2 표현자들에 대한 화학 구조를 생성하는 단계;를 포함하는 방법
|
| 10 |
10
제 9항에 있어서,상기 저차원의 잠재 변수는, 코어 구조 정보 및 저차원의 표현자를 포함하는 것인, 방법
|
| 11 |
11
제 9항에 있어서,상기 화학 구조를 생성하는 단계는,목표 물성 값 및 목표 구조 특징 값을 입력으로 수신하는 단계;제 1 뉴럴 네트워크를 이용하여 상기 2 세대 표현자들 각각의 물성을 평가하고, 제 2 뉴럴 네트워크를 이용하여 상기 2 세대 표현자들 각각의 구조를 평가하는 단계;상기 평가 결과에 기초하여, 상기 제 2 표현자들 중에서, 상기 목표 물성 값 및 상기 목표 구조 특징 값을 갖는 후보 표현자들을 선택하는 단계; 및상기 제 2 뉴럴 네트워크를 이용하여 상기 선택된 후보 표현자들에 대한 화학 구조를 생성하는 단계;를 포함하는 방법
|
| 12 |
12
제 9항에 있어서,상기 방법은,목표 물성 값 및 목표 구조 특징 값을 입력으로 수신하는 단계;상기 제 2 표현자들에 대해 유전 알고리즘을 적용하여 다음 세대 표현자들을 생성하는 단계;제 1 뉴럴 네트워크를 이용하여 상기 다음 세대 표현자들 각각의 물성을 평가하고, 제 2 뉴럴 네트워크를 이용하여 상기 다음 세대 표현자들 각각의 구조를 평가하는 단계;상기 평가 결과에 기초하여, 상기 다음 세대 표현자들 중에서, 상기 목표 물성 값을 갖는 후보 표현자들을 선택하는 단계; 및상기 제 2 뉴럴 네트워크를 이용하여 상기 선택된 후보 표현자들에 대한 화학 구조를 생성하는 단계;를 더 포함하는 방법
|
| 13 |
13
제 11항에 있어서,상기 물성을 평가하는 단계는,상기 제 2 표현자들을 상기 제 1 뉴럴 네트워크에 입력하고, 상기 고차원 표현자들 각각의 물성 값을 출력으로서 생성단계; 및상기 생성된 물성 값과 상기 목표 물성 값을 비교함으로써, 상기 고차원 표현자들 각각의 물성을 평가하는 단계;를 포함하 포함하고,상기 제 1 뉴럴 네트워크는 심층 신경망(Deep Neural Network, 이하 DNN)인 것인, 방법
|
| 14 |
14
제 11항에 있어서,상기 구조를 평가하는 단계는,상기 제 2 표현자들을 상기 제 2 뉴럴 네트워크에 입력하고, 상기 고차원 표현자들 각각의 화학 구조를 출력으로서 생성하는 단계;상기 생성된 구조 특징 값에 상기 목표 구조 특징 값이 포함되는지 여부를 판단함으로써, 상기 제 2 표현자들의 상기 구조를 평가하는 단계;를 포함하고,상기 제 2 뉴럴 네트워크는 순환 신경망(Recurrent Neural Network, 이하 RNN)인 것인, 방법
|
| 15 |
15
CVAE(Conditional Variational Autoencoder)를 이용하여 화학 구조를 생성하는 뉴럴 네트워크 장치에 있어서,적어도 하나의 프로그램이 저장된 메모리; 및상기 적어도 하나의 프로그램을 실행함으로써 뉴럴 네트워크를 구동하는 프로세서를 포함하고,상기 프로세서는,상기 제 1 표현자들을 저차원(low dimension)의 잠재 변수들(latent variable)로 변환하고,상기 잠재 변수들을 레턴트 맵(latent map)에 매핑하고,상기 레턴트 맵에서 상기 잠재 변수들이 매핑되지 않은 영역을 선택하고,상기 선택된 영역의 상기 잠재 변수들을 고차원의 제 2 표현자들로 변환한 후, 상기 제 2 표현자들에 대한 화학 구조를 생성하는, 뉴럴 네트워크 장치
|
| 16 |
16
제 15항에 있어서,상기 저차원의 잠재 변수는, 코어 구조 정보 및 저차원의 표현자를 포함하는 것인, 뉴럴 네트워크 장치
|
| 17 |
17
제 15항에 있어서,목표 물성 값 및 목표 구조 특징 값을 입력으로 수신하는 사용자 인터페이스;를 더 포함하고, 상기 프로세서는,제 1 뉴럴 네트워크를 이용하여 상기 2 세대 표현자들 각각의 물성을 평가하고, 제 2 뉴럴 네트워크를 이용하여 상기 2 세대 표현자들 각각의 구조를 평가하고,상기 평가 결과에 기초하여, 상기 제 2 표현자들 중에서, 상기 목표 물성 값 및 상기 목표 구조 특징 값을 갖는 후보 표현자들을 선택하고,상기 제 2 뉴럴 네트워크를 이용하여 상기 선택된 후보 표현자들에 대한 화학 구조를 생성하는, 뉴럴 네트워크 장치
|
| 18 |
18
제 15항에 있어서,목표 물성 값 및 목표 구조 특징 값을 수신하는 사용자 인터페이스;를 더 포함하고, 상기 프로세서는,상기 제 2 표현자들에 대해 유전 알고리즘을 적용하여 다음 세대 표현자들을 생성하고,제 1 뉴럴 네트워크를 이용하여 상기 다음 세대 표현자들 각각의 물성을 평가하고, 제 2 뉴럴 네트워크를 이용하여 상기 다음 세대 표현자들 각각의 구조를 평가하고,상기 평가 결과에 기초하여, 상기 다음 세대 표현자들 중에서, 상기 목표 물성 값 및 상기 목표 구조 특징 값을 갖는 후보 표현자들을 선택하고,상기 제 2 뉴럴 네트워크를 이용하여 상기 선택된 후보 표현자들에 대한 화학 구조를 생성하는, 뉴럴 네트워크 장치
|
| 19 |
19
제 17항에 있어서,상기 프로세서는,상기 제 2 표현자들을 순환 신경망(Recurrent Neural Network, 이하 RNN)에 입력하고, 상기 고차원 표현자들 각각의 화학 구조를 출력으로서 생성하고, 상기 생성된 구조 특징 값에 상기 목표 구조 특징 값이 포함되는지 여부를 판단함으로써, 상기 제 2 표현자들의 상기 구조를 평가하는, 뉴럴 네트워크 장치
|
| 20 |
20
제 17항에 있어서,상기 프로세서는,상기 제 2 표현자들을 심층 신경망(Deep Neural Network, 이하 DNN)에 입력하고, 상기 고차원 표현자들 각각의 물성 값을 출력으로서 생성하고,상기 생성된 물성 값과 상기 목표 물성 값을 비교함으로써, 상기 고차원 표현자들 각각의 물성을 평가하는, 뉴럴 네트워크 장치
|
| 21 |
21
제 1항 및 제 9항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|
