최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기주관연구기관 | 한국과학기술원 Korea Advanced Institute of Science and Technology |
---|---|
연구책임자 | 주재걸 |
참여연구자 | 한명준 , 윤홍기 , 조영우 , 정명철 , 이형근 , 강윤구 , 이시헌 , 이지현 , 최민석 , Khan Mohamad Azam , 강경필 |
보고서유형 | 최종보고서 |
발행국가 | 대한민국 |
언어 | 한국어 |
발행년월 | 2021-01 |
과제시작연도 | 2020 |
주관부처 | 과학기술정보통신부 Ministry of Science and ICT |
연구관리전문기관 | 한국과학기술원 Korea Advanced Institute of Science and Technology |
등록번호 | TRKO202100009333 |
과제고유번호 | 1711125410 |
사업명 | 한국과학기술원연구운영비지원(R&D)(주요사업비) |
DB 구축일자 | 2021-08-21 |
키워드 | 심층 학습.범밀도 함수.재료과학.포텐셜 에너지 예측.3차원 분자구조 예측.Deep learning.density functional theory.material science.potential energy prediction.3D molecular structure prediction. |
개요
• 주어진 분자의 총 에너지를 예측하는 심층 신경망 구조를 제안함
• 범밀도 함수 기반의 시뮬레이션의 정확도를 유지하면서, 더 빠르게 에너지를 예측하는 것을 목표함
• 기존 모델과 비교하여, 해석 가능성, 물리적 안정성, 및 유연성과 확장성을 가지는 것을 추구함
연구 결과
• 물리적인 해석적 함수가 요구하는 파라미터를 계산하는 ML + Physics hybrid 모델을 설계함
• 해석 가능하며, 물리적으로 안정적인 총 에너지 예측 모델의 가능성을 확인함
• 기존 모델의 한계를 극복하
This work proposed deep neural network architectures for predicting the potential energy of molecular structures. We aimed to reduce the computation cost of the model while maintaining the accuracy compared to the density functional theory-based simulation. The proposed machine learning + physics hy
해당 보고서가 속한 카테고리에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.