머신러닝을 이용한 물성 예측 모델 개발 및 산업 적용 (아민흡수제 / PP복합수지)

• 재료의 구성 비율에 따라 물성이 달라짐 → 조건에 적합한 적절한 조합 생성이 필요
• 기존의 실험 기반 방법론 → 반복 실험에 따른 비용 및 시간 소모 문제 존재 → 머신러닝을 통해 이를 극복 시도
• 데이터의 특성과 Domain 지식을 활용하여 주어진 상황에 적합한 방법론을 적용

데이터 기반 윤활유 추천 시스템 개발 (Inverse prediction machine learning)

• 기존 윤활유 개발 방식 → 전문가 지식 기반 반복 실험 → 다량의 시간 및 비용 소요 야기
• 목표 물성을 입력 시 최적 조성을 제시하는 머신 러닝 기반 추천 시스템 개발을 진행
• 개발 결과, 같은 목표 물성에 대해 조성이 크게 다를 수 있으며[Fig (b)], 실험값과 비교했을 때 5~20% 정도의 오차가 있음을 확인[Fig (c)]

촉매 설계 (interpretable machine learning framework)

• 효율적인 촉매 설계를 위해서는 active metal, promoter, support의 조합, 전처리 방법/조건, 운전조건(온도, 압력, 반응시간, 속도 등) 의 많은 조건이 고려됨
• 머신러닝 모델은 블랙박스로 과정을 알 수 없으며 촉매 설계와 같은 복잡한 시스템에서는 정확도 높은 모델 개발이 어려움
• 6,067개의 데이터셋 (132개의 문헌, 85개의 변수)을 활용하여 해석가능한 머신러닝 모델 프레임워크를 제시하고, DRM (Dry reforming methane) 촉매의 CH4 전환율 예측모델을 개발하였음. (성능 R2 : 0.96, RMSE : 4.94) [Fig 1.(b)]
• 100만 개의 촉매 조합에 대해서 전환율을 예측하고 상위 성능을 가지는 주요 촉매에 대해서 실제 실험을 하여 검증한 결과 10% 내외의 실험 오차 보임. [Fig 2]
• 특히, 이전에 문헌에 보고되지 않았던 Ni(3)-Ca(2)/PrXOY-Al2O3 새로운 촉매를 발견하였고, 실험하여 오차 범위내에 있는 것을 확인함. [Fig 2]