맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

기계 학습 알고리즘을 이용한 용질의 용해도 예측 방법

  • 기술번호 : KST2020016892
  • 담당센터 : 대전기술혁신센터
  • 전화번호 : 042-610-2279
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 본 발명은 기계 학습 알고리즘을 이용하여 용매의 분자 구조들과 용매의 용해도 파라미터들 간 상관 관계에 대해 기계 학습을 진행한 뒤, 상기 기계 학습 결과에 기초하여 용질의 분자 구조에 대응하는 용질의 용해도 파라미터를 예측하도록 구성되어 있다. 이러한 본 발명에 의하면, 실험을 거치지 않더라도 미지의 용질에 대한 용해도를 간단하게 예측할 수 있으며, 특정 용질로 국한되지 않고 광범위하게 적용될 수 있는 이점이 있다.
Int. CL G16C 20/70 (2019.01.01) G16C 20/30 (2019.01.01) G06N 3/02 (2019.01.01)
CPC G16C 20/70(2013.01) G16C 20/30(2013.01) G06N 3/02(2013.01)
출원번호/일자 1020190068182 (2019.06.10)
출원인 한국과학기술원
등록번호/일자
공개번호/일자 10-2020-0141307 (2020.12.18) 문서열기
공고번호/일자
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 공개
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2019.06.10)
심사청구항수 7

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 한국과학기술원 대한민국 대전광역시 유성구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 김상욱 대전광역시 유성구
2 김대식 대전광역시 유성구
3 이해신 대전광역시 유성구
4 최희재 대전광역시 유성구
5 구성환 대전광역시 유성구
6 김인호 대전광역시 유성구
7 박건도 대전광역시 유성구
8 조세호 대전광역시 유성구
9 김민선 대전광역시 유성구
10 권기현 대전광역시 유성구
11 김덕윤 대전광역시 유성구
12 이해성 대전광역시 유성구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 특허법인 플러스 대한민국 대전광역시 서구 한밭대로 ***번지 (둔산동, 사학연금회관) **층

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
최종권리자 정보가 없습니다
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application		 2019.06.10 수리 (Accepted) 1-1-2019-0591053-74
2 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2020.05.15 수리 (Accepted) 4-1-2020-5108396-12
3 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2020.06.12 수리 (Accepted) 4-1-2020-5131486-63
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
용매의 분자 구조들과 상기 용매의 용해도 파라미터들을 기계 학습 알고리즘이 구비된 시스템에 입력하는 제1 단계;상기 기계 학습 알고리즘을 이용하여 상기 용매의 분자 구조들과 상기 용매의 용해도 파라미터들 간 상관 관계에 대해 기계 학습을 진행하는 제2 단계;용질의 분자 구조를 상기 기계 학습 알고리즘이 구비된 시스템에 입력하는 제3 단계; 및상기 기계 학습의 결과에 기초하여 상기 용질의 분자 구조에 대응하는 상기 용질의 용해도 파라미터를 예측하는 제4 단계;를 포함하는 기계 학습 알고리즘을 이용한 용질의 용해도 예측 방법
2 2
제1항에 있어서,상기 제1 단계에서, 상기 용매의 분자 구조들은 상기 기계 학습 알고리즘이 구비된 시스템에 입력될 수 있는 데이터 포맷으로 변환되는 것을 특징으로 하는 기계 학습 알고리즘을 이용한 용질의 용해도 예측 방법
3 3
제2항에 있어서,상기 용매의 분자 구조들은 문자열 소프트웨어에 의해 용매 분자 구조의 문자열로 표현되고, 상기 용매 분자 구조의 문자열은 분자 구조 핑거프린트 표현자에 의해 제1 벡터로 변환되며, 상기 제1 벡터는 Word2Vec 알고리즘에 의해 제2 벡터로 변환되는 것을 특징으로 하는 기계 학습 알고리즘을 이용한 용질의 용해도 예측 방법
4 4
제3항에 있어서,상기 제3 단계에서, 상기 용질의 분자 구조는 상기 용매의 분자 구조들과 상기 용매의 용해도 파라미터들 간 상관 관계를 통한 상기 용질의 용해도 파라미터 예측을 위해서 데이터 포맷으로 변환되는 것을 특징으로 하는 기계 학습 알고리즘을 이용한 용질의 용해도 예측 방법
5 5
제4항에 있어서,상기 용질의 분자 구조는 상기 문자열 소프트웨어에 의해 용질 분자 구조의 문자열로 표현되고, 상기 용질 분자 구조의 문자열은 상기 분자 구조 핑거프린트 표현자에 의해 제3 벡터로 변환되며, 상기 제3 벡터는 상기 Word2Vec 알고리즘에 의해 제4 벡터로 변환되는 것을 특징으로 하는 기계 학습 알고리즘을 이용한 용질의 용해도 예측 방법
6 6
제5항에 있어서,상기 제4단계에서, 상기 용질의 용해도 파라미터는 상기 제2 벡터와 상기 용매의 용해도 파라미터들 간 상관 관계와, 상기 제4 벡터 간 비교를 통해 예측되는 것을 특징으로 하는 기계 학습 알고리즘을 이용한 용질의 용해도 예측 방법
7 7
제1항에 있어서,상기 기계 학습 알고리즘은 CNN(Convolutional Neural Network) 또는 RNN(Recurrent Neural Network)인 것을 특징으로 하는 기계 학습 알고리즘을 이용한 용질의 용해도 예측 방법
지정국 정보가 없습니다
패밀리정보가 없습니다
국가 R&D 정보가 없습니다.