| 1 |
1
화학반응 데이터, 화학반응 학습정보 및 분자의 구조정보를 저장하는 메모리; 및상기 화학반응 데이터, 상기 화학반응 학습정보 및 상기 구조정보에 기반해 분자 생성 모델을 구현하는 인공신경망(Neural Network)를 학습하도록 구성된 프로세서를 포함하고,상기 분자 생성 모델은,상기 화학반응 학습정보에 기반하여 잠재 공간을 생성하는 반응 시퀀스 인코더;화학반응의 최종 생성물인 목표 분자에 대한 목표 구조정보에 기반하여 임베딩 공간을 생성하는 목표 분자 인코더; 및상기 잠재 공간 및 상기 임베딩 공간으로부터 생성된 반응 분자 예측 신경망 및 반응 템플릿 예측 모델을 디코딩함으로써 재구성 반응 시퀀스를 출력하는 디코더를 포함하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 2 |
2
제1항에 있어서,상기 목표 분자 인코더는,목표 분자의 화학반응을 인코딩한 임베딩 벡터를 상기 반응 시퀀스 인코더에 제공하는 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 3 |
3
제2항에 있어서,상기 반응 시퀀스 인코더는 상기 임베딩 벡터를 상기 잠재 공간 상에서의 잠재 벡터를 계산할 때의 조건으로 이용하는 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 4 |
4
제2항에 있어서,상기 반응 시퀀스 인코더는,상기 임베딩 벡터 및 상기 목표 분자의 화학반응을 인코딩한 결과로서 잠재 벡터를 생성하는 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 5 |
5
제4항에 있어서,상기 반응 시퀀스 인코더는,시퀀스로 정의된 상기 화학반응 데이터를 순환 신경망(Recurrent Neural Network) 기반 학습함으로써 전체 화학반응에 대한 잠재임베딩 벡터를 생성하는 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 6 |
6
제5항에 있어서,상기 반응 시퀀스 인코더는,상기 순환 신경망으로써, 주어진 시퀀스를 양방향으로 인지하고, 망각 게이트를 포함하도록 설계된 모델인 양방향 게이트 순환망(Gated Recurrent Unit)을 이용해 상기 잠재임베딩 벡터를 생성하는 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 7 |
7
제5항에 있어서,상기 잠재 벡터는,평균과 표준편차를 가지는 정규분포에 따라 모델링된 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 8 |
8
제7항에 있어서,상기 평균 및 상기 표준편차는,상기 잠재임베딩 벡터를 통해 산출된 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 9 |
9
제1항에 있어서,상기 디코더는,반응 템플릿 예측 신경망, 및 반응을 구성하는 분자 예측 신경망을 포함하는 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 10 |
10
제9항에 있어서,상기 반응 템플릿 예측 신경망은,예측 대상인 주 반응물에 대한 반응 템플릿을 예측하도록 설계된 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 11 |
11
제9항에 있어서,상기 분자 예측 신경망은,예측 대상인 주 반응물과 반응 템플릿에 대한 파트너 반응물, 및 반응 시작 단계에 활용되는 시작 주 반응물을 예측하도록 설계된 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 12 |
12
제1항에 있어서,상기 화학반응 데이터는,시퀀스로 정의된 주 반응물 및 파트너 반응물을 포함하고,상기 주 반응물 및 상기 파트너 반응물은,이진 임베딩 벡터로 변환된 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 13 |
13
제1항에 있어서,상기 화학반응 데이터는,시퀀스로 정의된 반응 템플릿을 포함하고,상기 반응 템플릿은,원 핫 벡터로 변환된 것을 특징으로 하는, 합성가능한 분자 생성 모델을 위한 오토인코딩 장치
|
| 14 |
14
컴퓨팅 장치를 이용한 분자 모델 생성 방법에 있어서,화학반응 학습정보를 포함하는 잠재 공간을 획득하는 단계;분자의 구조정보를 포함하되, 합성경로정보를 생략한 임베딩 공간을 획득하는 단계;생성모델을 통해 잠재 공간 및 임베딩 공간으로부터 유사 분자를 샘플링하고, 후보 분자를 생성하는 단계;목표 구조정보를 가지는 분자간 합성경로를 생성하는 단계; 및상기 목표 구조정보 및 상기 합성경로를 포함하는 목표 분자 모델을 출력하는 단계를 포함하는, 컴퓨팅 장치를 이용한 분자 모델 생성 방법
|
| 15 |
15
제14항에 있어서,상기 잠재 공간을 획득하는 단계는,학습가능한 분자 및 반응 템플릿을 획득하는 단계;분자량이 미리 정의된 범위 내인지 판정하는 단계; 및상기 미리 정의된 범위 외의 분자량을 가지는 분자들은 화학반응 데이터에서 제거하는 단계를 포함하는 것을 특징으로 하는, 컴퓨팅 장치를 이용한 분자 모델 생성 방법
|
| 16 |
16
제15항에 있어서,상기 잠재 공간을 획득하는 단계는,미리 정의된 샘플 수만큼 선택하여 반응 초기단계에 적용하는 단계;상기 미리 정의된 샘플 수에 대응되는 서로 다른 화학반응 데이터를 생성하는 단계; 및화학반응 데이터를 이용해 미리 설정된 단일 반응 수를 가지는 화학반응 학습정보를 생성하는 단계를 더 포함하는 것을 특징으로 하는, 컴퓨팅 장치를 이용한 분자 모델 생성 방법
|
| 17 |
17
제16항에 있어서,상기 미리 설정된 단일 반응 수는 3인 것을 특징으로 하는, 컴퓨팅 장치를 이용한 분자 모델 생성 방법
|
| 18 |
18
제15항에 있어서,상기 미리 정의된 범위는,100g(그램)/mol(몰)보다 크고, 300g/mol보다 작은 것을 특징으로 하는, 컴퓨팅 장치를 이용한 분자 모델 생성 방법
|
| 19 |
19
제14항에 있어서,상기 유사 분자를 샘플링하고, 후보 분자를 생성하는 단계는,상기 잠재 공간 상의 제1 벡터, 임베딩 공간상의 제2 벡터를 시작 토큰과 결합하는 단계;결합 공간 상에서 최근린(NN) 분자를 탐색하는 단계;최근린 분자를 화학반응의 시작 분자로 결정하는 단계; 및반응 시퀀스를 업데이트하는 단계를 포함하는 것을 특징으로 하는, 컴퓨팅 장치를 이용한 분자 모델 생성 방법
|
| 20 |
20
제19항에 있어서,상기 결합 공간 상에서 최근린(NN) 분자를 탐색하는 단계는,해밍 디스턴스에 기반해, 디코더를 통해 예측된 예측 분자 및 사전 정의된 시작 분자간 제1 해밍 거리를 산출하는 단계; 및 상기 시작 분자 및 목표 분자간의 제2 해밍 거리를 산출하는 단계를 포함하는 것을 특징으로 하는, 컴퓨팅 장치를 이용한 분자 모델 생성 방법
|
