1 |
1
전자 장치가 제1 소재의 전자 구조를 예측하는 방법에 있어서,상기 제1 소재를 구성하는 원소들에 관련된 사용자의 입력 데이터를 수신하는 단계;상기 수신된 입력 데이터를, 상기 제1 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하는 단계; 및상기 학습 모델로부터 출력되는 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 제1 그래프를 출력하는 단계;를 포함하며,상기 학습 모델은,상기 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 대한 기 입력된 데이터 및 상기 복수의 제2 소재들의 각각의 에너지 준위 별 상태 밀도를 나타내는 복수의 제2 그래프들에 기초하여, 상기 제1 그래프를 생성하도록 학습된 것이고,상기 학습 모델은 상기 복수의 제2 그래프들의 각각을 격자 이미지로 변환하고,상기 변환된 복수의 격자 이미지에 기초하여 상기 제1 그래프의 특성을 나타낼 적어도 하나의 주성분 벡터를 결정하고상기 수신된 사용자의 입력 데이터로부터 상기 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 조성(composition) 정보 및 상기 제1 소재의 결정 구조(crystal structure)를 나타내는 결정 구조 정보 중 적어도 하나를 획득하고, 상기 획득된 조성 정보 및 결정 구조 정보 중 적어도 하나에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하며,상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 그래프를 생성하도록 학습된 것인, 방법
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
제1 항에 있어서,상기 조성 정보는 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율 을 포함하고,상기 학습 모델은 상기 획득된 d-오비탈의 전자 점유율들에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 방법
|
5 |
5
제1 항에 있어서,상기 결정 구조 정보는 상기 제1 소재의 배위수 및 상기 제1 소재의 혼합 계수 중 적어도 하나를 포함하고,상기 학습 모델은 상기 획득된 배위수 및 혼합 계수 중 적어도 하나에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 방법
|
6 |
6
제1 항에 있어서,상기 학습 모델은, 상기 제1 소재를 구성하는 복수의 원소들의 종류에 기초하여 상기 조성 정보 및 상기 결정 구조 정보의 각각에 적용될 가중치를 결정하고, 상기 결정된 가중치에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 방법
|
7 |
7
제1 항에 있어서,상기 학습 모델은 상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 적어도 하나의 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터를 생성하고,상기 생성된 이미지 벡터를 행렬로 변환하며,상기 변환된 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습된 것인, 방법
|
8 |
8
제7 항에 있어서,상기 학습 모델은,상기 행렬을 에너지 준위 별로 상태 밀도가 존재할 확률을 나타내는 확률 행렬로 변환하고, 상기 변환된 확률 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습 된 것인, 방법
|
9 |
9
제1 소재의 전자 구조를 예측하는 전자 장치에 있어서,상기 제1 소재를 구성하는 원소들에 관련된 사용자의 입력 데이터를 수신하는 사용자 입력부;상기 수신된 입력 데이터를, 상기 제1 소재의 상태 밀도를 추정하기 위한 학습 모델에 적용하는 프로세서; 및상기 학습 모델로부터 출력되는 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 제1 그래프를 출력하는 출력부;를 포함하며,상기 학습 모델은,상기 제1 소재를 구성하는 복수의 원소들 중 적어도 일부로 구성된 복수의 제2 소재들에 대한 기 입력된 데이터 및 상기 복수의 제2 소재들의 각각의 에너지 준위 별 상태 밀도를 나타내는 복수의 제2 그래프들에 기초하여, 상기 제1 그래프를 생성하도록 학습된 것이고,상기 학습 모델은 상기 복수의 제2 그래프들의 각각을 격자 이미지로 변환하고,상기 변환된 복수의 격자 이미지에 기초하여 상기 제1 그래프의 특성을 나타낼 적어도 하나의 주성분 벡터를 결정하고상기 수신된 사용자의 입력 데이터로부터 상기 제1 소재를 구성하는 복수의 원소들 각각의 전자 구조를 나타내는 조성(composition) 정보 및 상기 제1 소재의 결정 구조(crystal structure)를 나타내는 결정 구조 정보 중 적어도 하나를 획득하고, 상기 획득된 조성 정보 및 결정 구조 정보 중 적어도 하나에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하며,상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 그래프를 생성하도록 학습된 것인, 전자 장치
|
10 |
10
삭제
|
11 |
11
삭제
|
12 |
12
제9 항에 있어서,상기 조성 정보는 상기 제1 소재를 구성하는 복수의 원소들 각각의 d-오비탈의 전자 점유율을 포함하고,상기 학습 모델은 상기 획득된 d-오비탈의 전자 점유율들에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 전자 장치
|
13 |
13
제9 항에 있어서,상기 결정 구조 정보는 상기 제1 소재의 배위수 및 상기 제1 소재의 혼합 계수 중 적어도 하나를 포함하고,상기 학습 모델은 상기 획득된 배위수 및 혼합 계수 중 적어도 하나에 기초하여, 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 전자 장치
|
14 |
14
제9 항에 있어서,상기 학습 모델은, 상기 제1 소재를 구성하는 복수의 원소들의 종류에 기초하여 상기 조성 정보 및 상기 결정 구조 정보의 각각에 적용될 가중치를 결정하고, 상기 결정된 가중치에 기초하여 상기 적어도 하나의 주성분 벡터의 계수를 결정하도록 학습된 것인, 전자 장치
|
15 |
15
제9 항에 있어서,상기 학습 모델은 상기 결정된 적어도 하나의 주성분 벡터 및 상기 결정된 적어도 하나의 주성분 벡터의 계수의 선형 결합에 기초하여 상기 제1 소재의 에너지 준위 별 상태 밀도를 나타내는 이미지 벡터를 생성하고,상기 생성된 이미지 벡터를 행렬로 변환하며,상기 변환된 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습된 것인, 전자 장치
|
16 |
16
제15 항에 있어서,상기 학습 모델은,상기 행렬을 에너지 준위 별로 상태 밀도가 존재할 확률을 나타내는 확률 행렬로 변환하고, 상기 변환된 확률 행렬에 기초하여 상기 제1 그래프를 생성하도록 학습 된 것인, 전자 장치
|
17 |
17
제1 항, 제4 항 내지 제8 항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|