1 |
1
컴퓨팅 시스템에 의해 각 단계가 수행되는 딥 러닝 기반의 촉매 활성 예측 방법으로서,인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계;촉매 구조, 흡착물, 및 반응 환경의 정보를 상기 학습모델에 입력하는 단계; 및상기 학습모델에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 단계;를 포함하며,상기 촉매 구조, 흡착물, 및 반응 환경의 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 및 반응 환경 정보를 포함하고,상기 반응 환경 정보는 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하고,상기 학습 데이터 출력 정보는 산소 흡착 에너지인, 촉매 활성 예측 방법
|
2 |
2
제1항에 있어서,상기 학습모델을 결정하는 단계는 피드 포워드 신경망(FNN, Feedforward Neural Network)을 이용한 학습을 통한 것인, 촉매 활성 예측 방법
|
3 |
3
제1항에 있어서,상기 인공 신경망은 순차적으로 연결된 입력층, 복수의 은닉층, 출력층을 포함하며,상기 입력층 및 복수의 은닉층은 각각 하나 이상의 노드(node)를 포함하고,상기 출력층은 하나의 노드를 포함하고,상기 입력층에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보값은 상기 입력층의 노드에서 활성화 함수에 의하여 입력층 출력값으로 계산되고, 상기 입력층 출력값은 상기 복수의 은닉층의 노드에서 활성화 함수에 의하여 은닉층 출력값으로 계산되고, 상기 은닉층 출력값은 상기 출력층의 노드에서 활성화 함수에 의하여 산소 환원 반응 촉매 활성으로 출력되는, 촉매 활성 예측 방법
|
4 |
4
제1항에 있어서,상기 촉매 고유 특성은 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기 중 하나 이상을 포함하고, 상기 촉매 구조는 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 표면 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도 중 하나 이상을 포함하고, 상기 흡착물의 촉매 표면 흡착 배치는 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지 중 하나 이상을 포함하는, 촉매 활성 예측 방법
|
5 |
5
제3항에 있어서,상기 활성화 함수는 sigmoid(y=1/(1+e-x)), tanh(y=tanh(x)), step(y=1(if X=0), y=-1(if x003c#0)), ReLu(y=0(if,x003c#0), y=x(if, X003e#=0)), 및 linear(y=x)으로 이루어진 군에서 선택되는, 촉매 활성 예측 방법
|
6 |
6
제1항에 있어서,상기 학습모델을 결정하는 단계는 제일원리 기반의 밀도 함수 이론(density functional theory, DFT) 계산을 통하여 상기 학습모델의 학습을 위한 학습데이터 입력 정보 및 출력 정보의 종류를 결정하는 활성 디스크립터 해석 단계;제일원리 기반의 밀도 함수 이론 계산을 통하여 입력된 학습 데이터 입력 정보 값 및 이에 대응되는 학습 데이터 출력 정보 값을 획득하는 단계; 및상기 획득한 학습 데이터 입력 정보 값 및 출력 정보 값에 대하여 가중치 및 바이어스를 조절을 통하여 학습모델을 획득하는 단계;를 포함하는, 촉매 활성 예측 방법
|
7 |
7
제6항에 있어서,상기 학습데이터 입력 정보는 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기, 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 subsurface 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도, 흡착물 coverage, 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-band 에너지, 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하는, 촉매 활성 예측 방법
|
8 |
8
제1항에 있어서,상기 학습모델을 결정하는 단계는 지도학습(supervised learning)을 더 포함하며,상기 지도학습은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습모델을 재조절하는, 촉매 활성 예측 방법
|
9 |
9
제1항에 있어서,상기 재조절은 가중치 또는 바이어스의 재조절을 포함하는, 촉매 활성 예측 방법
|
10 |
10
인공 신경망(neural network)을 포함하는 학습 모듈;촉매 구조, 흡착물, 및 반응 환경의 정보를 상기 학습 모듈에 입력하는 입력 모듈; 및상기 학습 모듈에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 출력 모듈;를 포함하며,상기 촉매 구조, 흡착물, 및 반응 환경의 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 및 반응 환경 정보를 포함하고,상기 반응 환경 정보는 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하고,상기 학습 데이터 출력 정보는 산소 흡착 에너지인, 딥 러닝 기반의 촉매 설계 시스템
|
11 |
11
제10항에 있어서,상기 인공 신경망은 피드 포워드 신경망(FNN, Feedforward Neural Network)을 포함하는, 촉매 설계 시스템
|
12 |
12
제10항에 있어서,상기 인공 신경망은 순차적으로 연결된 입력층, 복수의 은닉층, 출력층을 포함하며,상기 입력층 및 복수의 은닉층은 각각 하나 이상의 노드(node)를 포함하고,상기 출력층은 하나의 노드를 포함하고,상기 입력층에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보값은 상기 입력층의 노드에서 활성화 함수에 의하여 입력층 출력값으로 계산되고, 상기 입력층 출력값은 상기 복수의 은닉층의 노드에서 활성화 함수에 의하여 은닉층 출력값으로 계산되고, 상기 은닉층 출력값은 상기 출력층의 노드에서 활성화 함수에 의하여 산소 환원 반응 촉매 활성으로 출력되는, 촉매 설계 시스템
|
13 |
13
제10항에 있어서,상기 촉매 고유 특성은 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기 중 하나 이상을 포함하고, 상기 촉매 구조는 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 표면 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도 중 하나 이상을 포함하고, 상기 흡착물의 촉매 표면 흡착 배치는 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-밴드 에너지 중 하나 이상을 포함하는, 촉매 설계 시스템
|
14 |
14
제12항에 있어서,상기 활성화 함수는 sigmoid(y=1/(1+e-x)), tanh(y=tanh(x)), step(y=1(if X=0), y=-1(if x003c#0)), ReLu(y=0(if,x003c#0), y=x(if, X003e#=0)), 및 linear(y=x)으로 이루어진 군에서 선택되는, 촉매 설계 시스템
|
15 |
15
제10항에 있어서,상기 학습 모듈은 제일원리 기반의 밀도 함수 이론(density functional theory, DFT) 계산을 통하여 상기 학습 모듈의 학습을 위한 학습데이터 입력 정보 및 출력 정보의 종류를 결정하여 활성 디스크립터를 해석하고,제일원리 기반의 밀도 함수 이론 계산을 통하여 입력된 학습 데이터 입력 정보 값 및 이에 대응되는 학습 데이터 출력 정보 값을 획득하고, 및상기 획득한 학습 데이터 입력 정보 값 및 출력 정보 값에 대하여 가중치 및 바이어스를 조절을 통하여 학습모델을 획득하는 것을 포함하는, 촉매 설계 시스템
|
16 |
16
제15항에 있어서,상기 학습데이터 입력 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 및 반응 환경 정보를 포함하며,상기 촉매 고유 특성은 촉매를 구성하는 원소들의 전기 음성도, 이온화 에너지, 원자 크기 중 하나 이상을 포함하고, 상기 촉매 구조는 촉매 표면 원자 배위수(coordination number), 촉매 표면 원자 조성, 촉매 subsurface 원자 조성, 촉매 내부[bulk(core)] 원자 조성, 촉매 내부[bulk(core)] 원자 배위수, 촉매 표면 원자들의 배열 방식, 촉매 표면 원자와 촉매 표면 xy면과 이루는 각도 중 하나 이상을 포함하고, 상기 흡착물의 촉매 표면 흡착 배치는 흡착물 커버리지(coverage), 흡착물의 HOMO-LUMO 에너지 갭, 흡착에 관계되는 표면 원자들의 평균 d-band 에너지 중 하나 이상을 포함하고, 상기 반응 환경 정보는 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하는, 촉매 설계 시스템
|
17 |
17
제10항에 있어서,상기 학습 모듈은 지도학습(supervised learning) 모듈을 더 포함하며,상기 지도학습 모듈은 출력된 산소 환원 반응 촉매 활성과 대응되는 학습 데이터 출력 정보를 기초로 상기 학습 모듈을 재조절하는, 촉매 설계 시스템
|
18 |
18
제17항에 있어서,상기 재조절은 가중치 또는 바이어스의 재조절을 포함하는, 촉매 설계 시스템
|
19 |
19
명령들을 저장하고 있는 저장 매체로서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 단계를 수행하도록 설정된 것으로서, 상기 적어도 하나의 단계는,인공 신경망(neural network)을 이용한 학습을 통하여 학습모델을 결정하는 단계;촉매 구조, 흡착물, 및 반응 환경의 정보를 상기 학습모델에 입력하는 단계; 및상기 학습모델에 입력된 촉매 구조, 흡착물, 및 반응 환경의 정보로부터 예측되는 산소 환원 반응 촉매 활성을 출력하는 단계;를 포함하며,상기 촉매 구조, 흡착물, 및 반응 환경의 정보는 촉매 고유 특성, 촉매 구조, 흡착물의 촉매 표면 흡착 배치, 및 반응 환경 정보를 포함하고,상기 반응 환경 정보는 전극 포텐셜, 및 전해액 pH 중 하나 이상을 포함하고,상기 학습 데이터 출력 정보는 산소 흡착 에너지인 동작을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 저장 매체
|