| 세션명 | 분자전자 부문위원회 (I) |
|---|---|
| 발표장 | 제1회장 |
| 논문코드 | 1L1-9 |
| 발표일 | 2021-10-21 |
| 발표시간 | 17:40-18:05 |
| 논문제목 | Machine Learning 모델과 Flow Chemistry 실험을 통한 고분자 물성예측과 합성 최적화: Polarizability & Electro-Optic Property |
| 발표자 | 김성덕 |
| 발표자 소속 | 삼성전자 종합기술원 |
| 저자 | 김성덕† |
| 소속 | 삼성전자 종합기술원 |
| 논문초록 | 본 발표는 전자재료로 사용되는 고분자와 고분자 첨가물의 물성 예측과 합성 방법론에 대한 최근 연구 결과를 실예를 통해 소개 하고자 한다. 수 백개 물질의 polarizability를 양자계산(density functional theory)한 결과는 실험값 예측이 DFT를 통해 가능함을 보였으나, 한 물질당 계산 시간이 supercomputer로도 수일까지 걸려 새로운 계산 방법/modeling을 도입하게 된 계기가 되었다. 전통적인 QSPR 방법과 SVM, decision tree, graph neural network등의 machine learning(ML) 모델링 방법을 비교한 결과 polarizabiity 물성 예측에 적합한 neural network model을 찾아 모델 적합도가 >95%에 이를 수 있음을 보았다. ML 모델링은 최종 물성 예측뿐 아니라 합성과 공정에 필요한 정보 예측에도 기존의 양자 역학 계산(e.g. COSMO-RS)에 비해 계산 시간 및 정확도에서 월등한 성능을 보임을 본 연구를 통해 확인 하였다. 또한 이번 발표는 ML모델을 통해 예측된 용매를 활용하여 continuous flow chemistry로 반응 조건 최적화가 사람의 간섭없이(via Bayesian optimization) 가능함을 electro-optic 물질 합성을 실예로 하여 보여 주고자 한다. |
THE POLYMER SOCIETY OF KOREA