KR102696205B1 - 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 - Google Patents
인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 Download PDFInfo
- Publication number
- KR102696205B1 KR102696205B1 KR1020220021602A KR20220021602A KR102696205B1 KR 102696205 B1 KR102696205 B1 KR 102696205B1 KR 1020220021602 A KR1020220021602 A KR 1020220021602A KR 20220021602 A KR20220021602 A KR 20220021602A KR 102696205 B1 KR102696205 B1 KR 102696205B1
- Authority
- KR
- South Korea
- Prior art keywords
- property
- composite
- properties
- artificial intelligence
- target
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 142
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 230000015572 biosynthetic process Effects 0.000 title claims description 45
- 238000003786 synthesis reaction Methods 0.000 title claims description 44
- 238000003860 storage Methods 0.000 title description 2
- 239000002131 composite material Substances 0.000 claims abstract description 187
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 239000000463 material Substances 0.000 claims description 300
- 239000000203 mixture Substances 0.000 claims description 76
- 230000008569 process Effects 0.000 claims description 55
- 238000012800 visualization Methods 0.000 claims description 29
- 230000035772 mutation Effects 0.000 claims description 24
- 239000013077 target material Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 description 48
- 239000002048 multi walled nanotube Substances 0.000 description 47
- 239000011159 matrix material Substances 0.000 description 32
- 238000013461 design Methods 0.000 description 31
- 239000000243 solution Substances 0.000 description 29
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 22
- 238000011160 research Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 20
- 239000000843 powder Substances 0.000 description 15
- 229910052782 aluminium Inorganic materials 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 238000012795 verification Methods 0.000 description 12
- 229910018182 Al—Cu Inorganic materials 0.000 description 11
- 239000000956 alloy Substances 0.000 description 11
- 238000011161 development Methods 0.000 description 11
- 230000018109 developmental process Effects 0.000 description 11
- 229910045601 alloy Inorganic materials 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000010200 validation analysis Methods 0.000 description 10
- 238000005275 alloying Methods 0.000 description 9
- 238000012827 research and development Methods 0.000 description 9
- 238000005728 strengthening Methods 0.000 description 9
- 229910018125 Al-Si Inorganic materials 0.000 description 8
- 229910018520 Al—Si Inorganic materials 0.000 description 8
- 125000004429 atom Chemical group 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 7
- 229910052802 copper Inorganic materials 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000000498 ball milling Methods 0.000 description 5
- 238000012938 design process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003801 milling Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 229910000838 Al alloy Inorganic materials 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000035882 stress Effects 0.000 description 4
- XOJVVFBFDXDTEG-UHFFFAOYSA-N Norphytane Natural products CC(C)CCCC(C)CCCC(C)CCCC(C)C XOJVVFBFDXDTEG-UHFFFAOYSA-N 0.000 description 3
- 238000003917 TEM image Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005266 casting Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 230000010429 evolutionary process Effects 0.000 description 3
- 238000005098 hot rolling Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003775 Density Functional Theory Methods 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 125000004432 carbon atom Chemical group C* 0.000 description 2
- 239000002041 carbon nanotube Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 229910021389 graphene Inorganic materials 0.000 description 2
- 229910002804 graphite Inorganic materials 0.000 description 2
- 239000010439 graphite Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000002173 high-resolution transmission electron microscopy Methods 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 150000001247 metal acetylides Chemical class 0.000 description 2
- 239000002086 nanomaterial Substances 0.000 description 2
- QIQXTHQIDYTFRH-UHFFFAOYSA-N octadecanoic acid Chemical compound CCCCCCCCCCCCCCCCCC(O)=O QIQXTHQIDYTFRH-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000006104 solid solution Substances 0.000 description 2
- 229910052718 tin Inorganic materials 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 229910052723 transition metal Inorganic materials 0.000 description 2
- 150000003624 transition metals Chemical class 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 238000003841 Raman measurement Methods 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 235000021355 Stearic acid Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000012300 argon atmosphere Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910021393 carbon nanotube Inorganic materials 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000012489 doughnuts Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000005551 mechanical alloying Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- OQCDKBAXFALNLD-UHFFFAOYSA-N octadecanoic acid Natural products CCCCCCCC(C)CCCCCCCCC(O)=O OQCDKBAXFALNLD-UHFFFAOYSA-N 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001953 recrystallisation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000008117 stearic acid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002887 superconductor Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Machine Translation (AREA)
Abstract
본 발명은 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체에 관한 것으로, 상기 장치는 복수의 물성들을 선별하여 목표물성을 설정하는 데이터 설정부; 상기 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성하는 물성학습모델 생성부; 상기 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성하는 GA 처리부; 및 상기 복수의 물성학습모델들 각각으로 상기 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성하는 합성물 생성부를 포함한다.
Description
본 발명은 다중물성 합성 예측 기술로서 인공신경망 기반 순방향 기계학습과 유전자 알고리즘을 활용한 합금 역설계 방안 및 통합형 모듈 인터페이스에 관한 것으로, 보다 상세하게는 상충 물성을 포함한 다중물성 예측을 위한 순방향 기계학습 모델을 최적화하고 도출된 기계학습 모델을 적합도 함수로 하여 전역탐색 기능을 수행할 수 있어 사용자가 원하는 물성을 가진 합금을 효과적으로 설계하는 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체에 관한 것이다.
기계학습(machine learning, ML)은 현상을 분석하거나 추론 모델을 작성하기 위한 대표적인 '데이터 기반(data-driven)'접근 방법으로 오늘날 급속한 발전을 이룬 컴퓨팅 기반 기술을 바탕으로 컴퓨터 과학의 한계를 재정의하고 확대하는 핵심 촉매제로 인식되고 있다.
최근 소재 연구 분야에도 기계학습을 이용한 다양한 연구들이 시도되고 있다. 일반적으로 축적된 데이터를 통계적으로 학습시켜 재료들의 구조 정보와 물성 정보 간에 유용한 상관관계를 도출하고 이를 기초로 전혀 학습되지 않은 재료에 대해서도 빠른 속도로 소재 물성을 예측하는 것을 목표로 하고 있다. 예를 들어, 인공신경망(ANN) 기반 기계학습은 기계적 특성을 예측하고 미지의 구성물을 식별하여 신소재를 개발하는 과정에서 효과적으로 활용될 수 있다.
즉, 재료의 연구개발 관점에서는 축적된 다량의 데이터들로부터 연구자들이 미처 발견하지 못하는 새로운 상관관계를 발견하고 원하는 특성을 가진 재료의 효율적인 설계 및 탐색을 가능하게 하는 새로운 도구로서 데이터 기반의 소재개발 방법론에 관심이 집중되고 있다.
특히, 발전된 병렬처리 알고리즘과 함께 대용량 메모리의 개발 및 고속 CPU의 등장 등 하드웨어의 기술 발전에 따라 기계학습이 적용된 시뮬레이션 기법은 실험실 수준에서 개발이 어렵거나 불가능한 첨단소재, 나노소재, 복합소재 개발 등 다양한 분야에서 광범위하게 적용되어 가고 있는 실정이다.
한편, 학습 모델을 구축하기 위해서는 많은 학습 데이터들이 필요할 수 있으며, 특히 새로운 소재를 탐색하기 위해서는 다양한 조합의 경우의 수에 대한 적절한 데이터들이 필수적으로 요구된다. 따라서, 경험적인 지식을 바탕으로 입력값을 직접 입력하는 방법만으로는 소재 연구에 필요한 충분한 데이터를 확보하기 어려울 수 있다. 이에 따라, 머신러닝을 통해 새로운 상관관계의 도출을 목표로 확보된 입력 데이터를 효과적으로 이용하기 위한 다양한 알고리즘들이 연구되고 있으며, 도출하고자 하는 정보와 활용 가능한 데이터의 유형에 따라 적절한 알고리즘을 선택할 필요가 있다.
대표적인 예로서 '지도 학습'은 알고리즘을 이용해 기존에 이미 분류된 입력변수와 원하는 출력변수로 구성된 학습용 데이터(labeled training data)를 분석함으로써 입력변수를 출력변수와 매칭시키는 함수를 찾고, 이렇게 추론된 함수는 학습용 데이터로부터 일반화(generalizing)를 통해 알려지지 않은 새로운 사례들을 매핑하고 눈에 보이지 않는 상황(unseen situation) 속에서 결과를 예측할 수 있게 한다.
또한, 유전자 알고리즘(genetic algorithm, GA)은 생물의 진화과정을 모사하여 최적해를 찾아내는 최적화 알고리즘에 해당하며, 연산이 복잡하지 않고 시간이 지날수록 우수한 값에 수렴한다는 특징을 가질 수 있다. 이러한 특징으로 인해 상기에서 설명한 머신러닝 기반 소재연구의 한계에 대한 극복방안으로서 많이 응용되고 있다.
그러나, 유전자 알고리즘을 활용하여 학습된 모델에 입력되는 입력값을 효율적으로 선정하고 그에 따라 목표 출력값에 보다 빠르게 도달하기 위해서는 교배(crossover)나 돌연변이(mutation)와 같은 유전자 알고리즘 연산자의 적절한 선택을 통해서 지역 최적화와 같은 오류를 범하지 않고 우수한 값에 수렴하는 유전자 알고리즘을 설계하여야 한다.
한편, 일반적으로 재료의 단일물성을 극대화하면 상충(trade-off) 물성의 저하가 수반되기 때문에 소재 개발에 있어서 보다 효용성 있는 역설계를 위해서는 상충물성을 포함한 다중물성에 대해 고려할 수 있는 새로운 알고리즘 개발이 요구되고 있다.
본 발명의 일 실시예는 다중물성 합성 예측 기술로서 인공신경망 기반 순방향 기계학습과 유전자 알고리즘을 활용한 합금 역설계 방안 및 통합형 모듈 인터페이스에 관한 것으로, 보다 상세하게는 상충 물성을 포함한 다중물성 예측을 위한 순방향 기계학습 모델을 최적화하고 도출된 기계학습 모델을 적합도 함수로 하여 전역탐색 기능을 수행할 수 있어 사용자가 원하는 물성을 가진 합금을 효과적으로 설계하는 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체를 제공하고자 한다.
본 발명의 일 실시예는 다중물성 합성 예측 기술로서 인공신경망 기반 순방향 기계학습과 유전자 알고리즘을 활용한 합금 역설계 방안 및 통합형 모듈 인터페이스를 제공함으로써, 철강 및 반도체, 초전도체 개발 등 전통적인 소재 분야에서 새로운 소재 개발에 효과적인 기능을 제공할 수 있다
본 발명의 일 실시예는 전자기물성, 기계물성, 열 및 광학 특성 등이 복합된 물성들의 최적화를 통해 다기능성 제품뿐만 아니라 소형화되고 경량화된 첨단 장치의 개발에 요구되는 융합소재 생산 기술을 구현하는 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체를 제공하고자 한다.
실시예들 중에서, 인공지능 기반의 다중물성 합성 예측 장치는 복수의 물성들을 선별하여 목표물성을 설정하는 데이터 설정부; 상기 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성하는 물성학습모델 생성부; 상기 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성하는 GA 처리부; 및 상기 복수의 물성학습모델들 각각으로 상기 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성하는 합성물 생성부;를 포함한다.
상기 데이터 설정부는 상기 복수의 물성들 간의 상관관계를 기초로 상기 목표물성을 조절할 수 있다.
상기 데이터 설정부는 상기 목표물성을 복수로 설정하는 경우 각 목표물성마다 우선순위를 설정할 수 있다.
상기 물성학습모델 생성부는 특정 물성을 기초로 소재 데이터베이스에서 데이터 샘플링을 수행하여 적어도 하나의 소재를 선별할 수 있다.
상기 물성학습모델 생성부는 상기 적어도 하나의 소재를 해당 물성학습모델에 제공하여 상기 특정 물성에 관한 최적의 앙상블을 수신할 수 있다.
상기 물성학습모델 생성부는 상기 적어도 하나의 소재에 관한 화학조성을 통해 적어도 하나의 소재 모델을 생성하고 상기 적어도 하나의 소재 모델을 종합하여 상기 최적의 앙상블을 출력하도록 상기 해당 물성학습모델을 설계할 수 있다.
상기 GA 처리부는 소재 데이터베이스에서 상기 목표물성에 따른 임의의 소재를 전역적으로 선택할 수 있다.
상기 GA 처리부는 상기 임의의 소재의 조합, 함량 및 결합구조 중 적어도 하나에 대한 변형을 통한 돌연변이를 생성하여 상기 복수의 중간 합성물들을 생성할 수 있다.
상기 GA 처리부는 상기 단계별 평가가 만족될 때까지 상기 돌연변이의 생성을 반복할 수 있다.
상기 합성물 생성부는 각 단계마다 해당 중간 합성물이 해당 물성학습모델을 통해 출력된 최적의 앙상블에 부합하는지 여부를 평가할 수 있다.
상기 합성물 생성부는 상기 목표물성이 복수인 경우 상기 목표물성의 우선순위에 따라 상기 각 단계에서 적용되는 상기 최적의 앙상블을 결정할 수 있다.
상기 다중물성 합성 예측 장치는 상기 최종의 다중물성 합성물에 관한 시각화를 제공하는 합성물 시각화부;를 더 포함할 수 있다.
실시예들 중에서, 인공지능 기반의 다중물성 합성 예측 방법은 복수의 물성들을 선별하여 목표물성을 설정하는 목표물성 설정단계; 상기 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성하는 물성학습모델 생성단계; 상기 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성하는 GA 처리단계; 및 상기 복수의 물성학습모델들 각각으로 상기 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성하는 합성물 생성단계;를 포함한다.
상기 데이터 설정단계는 상기 복수의 물성들 간의 상관관계를 기초로 상기 목표물성을 조절하는 단계를 포함할 수 있다.
상기 데이터 설정단계는 상기 목표물성을 복수로 설정하는 경우 각 목표물성마다 우선순위를 설정하는 단계를 포함할 수 있다.
상기 물성학습모델 생성단계는 특정 물성을 기초로 소재 데이터베이스에서 데이터 샘플링을 수행하여 적어도 하나의 소재를 선별하는 단계를 포함할 수 있다.
상기 물성학습모델 생성단계는 상기 적어도 하나의 소재를 해당 물성학습모델에 제공하여 상기 특정 물성에 관한 최적의 앙상블을 수신하는 단계를 포함할 수 있다.
상기 물성학습모델 생성단계는 상기 적어도 하나의 소재에 관한 화학조성을 통해 적어도 하나의 소재 모델을 생성하고 상기 적어도 하나의 소재 모델을 종합하여 상기 최적의 앙상블을 출력하도록 상기 해당 물성학습모델을 설계하는 단계를 포함할 수 있다.
상기 GA 처리단계는 소재 데이터베이스에서 상기 목표물성에 따른 임의의 소재를 전역적으로 선택하는 단계를 포함할 수 있다.
상기 GA 처리단계는 상기 임의의 소재의 조합, 함량 및 결합구조 중 적어도 하나에 대한 변형을 통한 돌연변이를 생성하여 상기 복수의 중간 합성물들을 생성하는 단계를 포함할 수 있다.
상기 GA 처리단계는 상기 단계별 평가가 만족될 때까지 상기 돌연변이의 생성을 반복하는 단계를 포함할 수 있다.
상기 합성물 생성단계는 각 단계마다 해당 중간 합성물이 해당 물성학습모델을 통해 출력된 최적의 앙상블에 부합하는지 여부를 평가하는 단계를 포함할 수 있다.
상기 합성물 생성단계는 상기 목표물성이 복수인 경우 상기 목표물성의 우선순위에 따라 상기 각 단계에서 적용되는 상기 최적의 앙상블을 결정하는 단계를 포함할 수 있다.
상기 다중물성 합성 예측 방법은 상기 최종의 다중물성 합성물에 관한 시각화를 제공하는 합성물 시각화단계;를 더 포함할 수 있다.
실시예들 중에서, 기록매체는 복수의 물성들을 선별하여 목표물성을 설정하는 단계; 상기 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성하는 단계; 상기 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성하는 단계; 및 상기 복수의 물성학습모델들 각각으로 상기 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성하는 단계;를 포함하는 인공지능 기반의 다중물성 합성 예측 방법을 실행하는 컴퓨터 프로그램을 기록한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체는 다중물성 합성 예측 기술로서 인공신경망 기반 순방향 기계학습과 유전자 알고리즘을 활용한 합금 역설계 방안 및 통합형 모듈 인터페이스에 관한 것으로, 보다 상세하게는 상충 물성을 포함한 다중물성 예측을 위한 순방향 기계학습 모델을 최적화하고 도출된 기계학습 모델을 적합도 함수로 하여 전역탐색 기능을 수행할 수 있어 사용자가 원하는 물성을 가진 합금을 효과적으로 설계할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체는 인터페이스 개선을 통해 사용자에게 직관적인 데이터 분석 및 활용 가능성을 제공하고, 경량금속 알루미늄 합금 설계에 있어 상충 물성을 포함한 다양한 물성을 동시에 고려하여 역설계가 가능한 통합 프로그램을 제공할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체는 소재 물성 최적화 기법으로서 첨단 산업에서 요구되고 있는 다양한 물성의 극대화 및 생산 비용과 시간을 절약하기 위한 다중물성 소재 개발의 핵심 기술을 구현할 수 있다.
도 1은 본 발명에 따른 다중물성 합성 시스템을 설명하는 도면이다.
도 2는 도 1의 다중물성 합성 예측 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 다중물성 합성 예측 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 인공지능 기반의 다중물성 합성 예측 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 인공지능 학습 과정을 설명하는 도면이다.
도 6은 본 발명에 따른 인공지능 기반의 다중물성 합성 예측 과정을 설명하는 도면이다.
도 7 내지 12는 본 발명에 관한 실험예를 설명하는 도면이다.
도 13은 본 발명에 따른 통합형 인터페이스 구성을 설명하는 도면이다.
도 2는 도 1의 다중물성 합성 예측 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 다중물성 합성 예측 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 인공지능 기반의 다중물성 합성 예측 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 인공지능 학습 과정을 설명하는 도면이다.
도 6은 본 발명에 따른 인공지능 기반의 다중물성 합성 예측 과정을 설명하는 도면이다.
도 7 내지 12는 본 발명에 관한 실험예를 설명하는 도면이다.
도 13은 본 발명에 따른 통합형 인터페이스 구성을 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 다중물성 합성 시스템을 설명하는 도면이다.
도 1을 참조하면, 다중물성 합성 시스템(100)은 사용자 단말(110), 다중물성 합성 예측 장치(130)) 및 데이터베이스(150)를 포함할 수 있다.
사용자 단말(110)은 다중물성 예측을 위한 기계학습 및 관련 역설계 프로그램의 실행을 원격으로 제어하거나 그 결과를 확인할 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 다중물성 합성 예측 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 다중물성 합성 예측 장치(130)와 동시에 연결될 수 있다. 또한, 사용자 단말(110)은 다중물성 합성 예측 장치(130)와 연동하기 위한 전용 프로그램 또는 애플리케이션을 설치하여 실행시킬 수 있다.
다중물성 합성 예측 장치(130)는 본 발명에 따른 인공지능 기반 다중물성 합성 예측 방법을 실행하는 시스템, 또는 이에 해당하는 서버로 구현될 수 있다. 다중물성 합성 예측 장치(130)는 사용자 단말(110)과 네트워크를 통해 연결될 수 있고 관련 데이터를 주고받을 수 있다. 또한, 다중물성 합성 예측 장치(130)는 적어도 하나의 외부 시스템과 연동하여 동작할 수 있다. 예를 들어, 외부 시스템은 클라우드 서비스를 위한 클라우드 서버, 딥러닝 학습을 위한 인공지능 서버, 역설계를 위한 역설계 서버 등과 연동하여 다양한 기능 및 서비스를 구현할 수 있다.
일 실시예에서, 다중물성 합성 예측 장치(130)는 데이터베이스(150)와 연동하여 인공신경망 기반의 순방향 기계학습을 수행하고 유전자 알고리즘을 활용한 합성물 역설계 방법을 실행하며 관련 동작을 위한 통합형 모듈 인터페이스를 제공하는 과정에서 필요한 다양한 데이터들을 저장하고 관리할 수 있다. 또한, 다중물성 합성 예측 장치(130)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.
데이터베이스(150)는 다중물성 합성 예측 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 예를 들어, 데이터베이스(150)는 기계학습을 위한 학습 데이터, 학습 알고리즘 및 학습 모델 등에 관한 정보를 저장할 수 있고, 합성물 생성을 위한 물성 및 소재에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 인공지능 기반 다중물성 합성 예측 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
도 2는 도 1의 다중물성 합성 예측 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 다중물성 합성 예측 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 다중물성 합성 예측 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 다중물성 합성 예측 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 다중물성 합성 예측 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 다중물성 합성 예측 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 다중물성 합성 예측 장치(130)는 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 다중물성 합성 예측 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 다중물성 합성 예측 장치(130)는 데이터 설정부(310), 물성학습모델 생성부(330), GA 처리부(350), 합성물 생성부(370), 합성물 시각화부(390) 및 제어부(도 3에 미도시함)를 포함할 수 있다.
데이터 설정부(310)는 복수의 물성들을 선별하여 목표물성을 설정할 수 있다. 여기에서, 목표물성은 생성하고자 하는 합성물이 확보하여야 하는 물성에 해당할 수 있으며, 합성물을 기준으로 선정될 수 있다. 이때, 목표물성은 복수의 물성들과 함께 각 물성별 조건들을 더 포함할 수 있다. 예를 들어, 합성물의 인장강도와 함께 범위 조건이 목표물성으로 설정될 수 있다. 데이터 설정부(310)는 합성물의 특성을 고려하여 복수의 물성들을 선별할 수 있고, 물성별 조건을 부여하여 목표물성을 설정할 수 있다.
일 실시예에서, 데이터 설정부(310)는 복수의 물성들 간의 상관관계를 기초로 목표물성을 조절할 수 있다. 합성물의 경우 다양한 물성들 간의 상관관계가 존재할 수 있으며, 물성들 사이의 상관관계는 합성물의 특성, 소재의 특성 및 물성 자체의 고유 특성에 따라 다양한 양상으로 나타날 수 있다. 또한, 합성 과정에서 소재의 화학조성이나 공정조건에 따라 물성들 사이의 상관관계가 달라질 수도 있다. 데이터 설정부(310)는 생성하고자 하는 합성물의 특성을 기초로 물성들 간의 상관관계에 따라 목표물성의 설정 조건을 결정할 수 있다. 예를 들어, 목표물성의 물성들 중 물성 A와 물성 B 사이에 상충 관계가 존재하는 경우 데이터 설정부(310)는 합성물의 용도, 특성에 따라 물성 A의 최소 조건을 전제로 물성 B를 극대화하기 위한 목표물성을 결정할 수 있다.
일 실시예에서, 데이터 설정부(310)는 목표물성을 복수로 설정하는 경우 각 목표물성마다 우선순위를 설정할 수 있다. 데이터 설정부(310)는 다중물성 합성물의 역설계 과정에서 목표물성을 복수로 설정할 수 있으며, 각 물표물성의 중요도에 따라 우선순위를 설정할 수 있다. 이후, 목표물성의 우선순위에 따라 역설계 과정의 동작 순서가 달라질 수도 있다.
물성학습모델 생성부(330)는 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성할 수 있다. 물성학습모델 생성부(330)는 목표물성과 연관되는 복수의 물성들 각각에 대해 독립된 물성학습모델들을 구축할 수 있다. 특히, 물성학습모델 생성부(330)는 복수의 물성학습모델들을 병렬적으로 구축할 수 있다. 즉, 물성학습모델 생성부(330)는 물성학습모델의 구축 과정을 각 물성 별로 독립적으로 처리하는 병렬 학습모듈을 포함하여 구현될 수 있다. 예를 들어, 병렬 학습모듈은 상충 관계의 물성들 각각을 병렬적으로 학습하여 각 물성학습모델을 구축할 수 있으며, 이에 따라 GA 기반의 역설계 과정에서 다중물성에 대한 전역탐색이 효과적으로 수행될 수 있다.
일 실시예에서, 물성학습모델 생성부(330)는 특정 물성을 기초로 소재 데이터베이스에서 데이터 샘플링을 수행하여 적어도 하나의 소재를 선별할 수 있다. 여기에서, 소재 데이터베이스는 데이터베이스(150)를 통해 관리되는 다양한 소재들에 관한 전용 DB에 해당할 수 있다. 물성학습모델 생성부(330)는 특정 물성에 관한 물성학습모델을 구축하기 위하여 기 구축된 소재 데이터베이스로부터 데이터 샘플링을 통해 해당 물성에 관한 학습 데이터를 획득할 수 있다.
또한, 물성학습모델 생성부(330)는 샘플링을 통해 획득된 데이터에 관한 검증을 수행하여 학습 데이터셋을 확정할 수 있다. 이때, 데이터 검증을 위해 다양한 검증 알고리즘이 사용될 수 있다. 예를 들어, 검증 알고리즘에는 Hold-out, K-fold 및 leave-one-out 등의 교차검증(cross validation) 기법이 포함될 수 있다. 물성학습모델 생성부(330)는 검증을 통과한 데이터들을 기초로 물리학습모델 구축을 위한 학습 데이터셋을 생성할 수 있으며, 학습 데이터셋은 복수의 서브 데이터셋들로 구성될 수 있다.
한편, 물성학습모델 생성부(330)는 학습 데이터셋을 구축하기 위하여 데이터 전처리 동작을 수행할 수 있다. 데이터 전처리 과정에서는 텍스트 형태의 테이터들(예를 들어, 소재의 주조법이나 강화상 등)을 학습 가능한 형태의 데이터로 변환하는 동작이 수행될 수 있다. 구체적으로, 텍스트 데이터에 대한 레이블링(labelling)이 수행될 수 있으며, 레이블에 대한 키값 매칭을 통해 데이터 재구조화 과정이 수행될 수 있다.
일 실시예에서, 물성학습모델 생성부(330)는 적어도 하나의 소재를 해당 물성학습모델에 제공하여 특정 물성에 관한 최적의 앙상블을 수신할 수 있다. 여기에서, 최적의 앙상블은 복수의 후보 모델들 중에서 앙상블 기법에 따라 선택된 모델에 해당할 수 있다. 즉, 물성학습모델 생성부(330)는 복수의 후보 모델들 중에서 최적의 모델을 선정하는 과정을 통해 각 물성에 관한 학습 모델의 최적화 동작을 수행할 수 있다. 물성학습모델 생성부(330)는 샘플링을 통해 구축된 학습 데이터셋을 기초로 각 물성 별로 물성학습모델을 구축할 수 있다. 이때, 학습 데이터셋은 후보 모델들의 개수에 따라 복수의 서브 데이터셋으로 구성될 수 있으며, 물성학습모델 생성부(330)는 복수의 서브 데이터셋 각각을 기초로 복수의 후보 모델들을 독립적으로 구축할 수 있다. 물성학습모델 생성부(330)는 구축된 후보 모델들에 대해 소정의 평가 기준을 적용하여 해당 물성에 대한 최적 모델로서 최적의 앙상블을 결정할 수 있다.
일 실시예에서, 물성학습모델 생성부(330)는 적어도 하나의 소재에 관한 화학조성을 통해 적어도 하나의 소재 모델을 생성하고 적어도 하나의 소재 모델을 종합하여 최적의 앙상블을 출력하도록 해당 물성학습모델을 설계할 수 있다. 즉, 물성학습모델은 앙상블 기법이 적용되어 구현될 수 있으며, 내부 설계 구조에 따라 복수의 소재 모델들 중에서 최종 선택된 하나의 소재 모델을 최적의 앙상블로 결정하여 출력하도록 구현될 수 있다.
특히, 복수의 소재 모델들은 해당 소재의 화학조성에 따라 구분되어 정의될 수 있으며, 신경망 각각의 노드(node)와 레이어(layer)의 개수가 독립적으로 결정될 수 있다. 복수의 소재 모델들은 앙상블 학습의 각 반복마다 평가될 수 있으며, 평가 결과가 기 설정된 기준을 충족할 때까지 반복적으로 학습될 수 있다. 물성학습모델 생성부(330)는 물성학습모델을 통해 해당 물성에 최적화된 학습 모델을 획득할 수 있다.
GA 처리부(350)는 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성할 수 있다. 여기에서, 유전 알고리즘(GA, Genetic Algorithm)은 자연세계의 진화 과정에 기초한 계산 모델로서 전역 최적화 기법에 해당할 수 있다. 즉, GA 처리부(350)는 목표물성을 충족하는 합성물을 생성하기 위하여 합성물에 관한 설계 인자들을 전역적으로 탐색할 수 있으며, 설계 인자들에 관한 후보 조합을 중간 합성물로서 생성할 수 있다. 특히, 중간 합성물은 다중물성 합성물의 상충 물성들 사이에서 목표물성을 극대화하는 최적의 조합을 결정하는 역설계 과정의 중간 생성물에 해당할 수 있다.
일 실시예에서, GA 처리부(350)는 소재 데이터베이스에서 목표물성에 따른 임의의 소재를 전역적으로 선택할 수 있다. 일 실시예에서, GA 처리부(350)는 임의의 소재의 조합, 함량 및 결합구조 중 적어도 하나에 대한 변형을 통한 돌연변이를 생성하여 복수의 중간 합성물들을 생성할 수 있다. 일 실시예에서, GA 처리부(350)는 단계별 평가가 만족될 때까지 돌연변이의 생성을 반복할 수 있다.
보다 구체적으로, GA 처리부(350)는 중간 합성물 생성을 위한 유전 알고리즘 기반의 전역탐색 과정을 수행할 수 있으며, 전역탐색 과정은 목표물성을 충족하는 소재 후보들을 선택(selection)하는 과정, 선택된 소재 후보들에 대한 교차(crossover) 과정 및 변이(mutation) 과정을 통해 이루어질 수 있다. 즉, GA 처리부(350)는 소재 후보들에 대한 교차(crossover) 과정 및 변이(mutation) 과정을 통해 소재의 조합, 함량 및 결합구조 중 적어도 하나에 대한 변형을 적용함으로써 돌연변이를 생성하여 복수의 중간 합성물들을 반복적으로 생성할 수 있다. 또한, GA 처리부(350)에 의해 각 반복마다 생성된 중간 합성물들은 합성물 생성부(370)에 전달되어 단계별 평가가 수행될 수 있으며, 해당 단계별 평가가 만족될 때까지 GA 처리부(350)에서의 전역 탐색 과정은 반복적으로 수행될 수 있다.
합성물 생성부(370)는 복수의 물성학습모델들 각각으로 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성할 수 있다. 즉, 다중물성 합성물의 목표물성은 복수의 물성들의 조합으로 설정될 수 있으며, 합성물 생성부(370)는 복수의 물성들에 관한 단계별 평가를 수행할 수 있다. 이때, 단계별 평가는 목표물성의 물성들에 관한 우선순위에 따라 이루어질 수 있다. 예를 들어, 물성 A와 물성 B가 서로 상충 관계를 형성하고 물성 B가 물성 A보다 우선순위가 높은 경우, 합성물 생성부(370)는 물성 B의 극대화 조건을 충족하는지를 검사하여 중간 합성물에 대한 1차 평가를 수행하고, 1차 평가를 통과한 경우 물성 B의 극대화 조건 하에서 물성 A의 극대화 조건을 충족하는지를 검사하여 중간 합성물에 대한 2차 평가를 수행할 수 있다. 또한, 각 단계별 평가에는 해당 물성에 관한 물성학습모델(즉, 물성별 최적의 앙상블)이 활용될 수 있다. 결과적으로, 합성물 생성부(370)는 단계별 평가를 통해 목표물성의 요구치를 모두 충족하는 합성물의 설계 인자를 도출함으로써 최종의 다중물성 합성물을 생성할 수 있다.
일 실시예에서, 합성물 생성부(370)는 각 단계마다 해당 중간 합성물이 해당 물성학습모델을 통해 출력된 최적의 앙상블에 부합하는지 여부를 평가할 수 있다. 즉, 합성물 생성부(370)는 단계별 평가의 각 단계마다 해당 물성에 관한 평가를 수행할 수 있으며, 해당 평가 과정에서 해당 물성에 관한 최적화된 앙상블 모델(즉, 최적의 앙상블)을 사용할 수 있다. 즉, 최적화된 앙상블 모델은 중간 합성물의 각 물성에 관한 물성값을 평가하여 해당 중간 합성물이 목표물성의 요구치를 충족하는지 여부를 결정할 수 있다. 또한, 합성물 생성물(370)은 단계별 평가에 따른 평가 결과를 시각화(visualizing)하여 제공할 수 있으며, 평가에 따른 최종의 다중물성 합성물을 역설계 결과(inverse designed result)로서 제공할 수 있다.
일 실시예에서, 합성물 생성부(370)는 목표물성이 복수인 경우 목표물성의 우선순위에 따라 각 단계에서 적용되는 최적의 앙상블을 결정할 수 있다. 즉, 목표물성마다 최적의 앙상블이 결정될 수 있으며, 합성물 생성부(370)는 물표물성의 우선순위에 따라 최적의 앙상블을 구분하여 적용할 수 있다.
합성물 시각화부(390)는 최종의 다중물성 합성물에 관한 시각화를 제공할 수 있다. 즉, 합성물 시각화부(390)는 목표물성을 기반으로 다중물성 합성물의 생성을 위한 역설계 결과(inverse design result)를 시각화하여 표시할 수 있다. 합성물 시각화부(390)는 다중물성 합성물에 관한 소재의 조합, 함량 및 결합구조 등에 관한 정보를 다양한 시각화 도구(visualization tool)를 이용하여 그림, 도표, 차트, 그래프 등으로 표시할 수 있다. 합성물 시각화부(390)는 다중물성 합성물의 시각화를 위하여 최종 생성된 다중물성 합성물의 데이터를 분류하고 재배열할 수 있다.
한편, 데이터 시각화 도구는 시간 시각화, 분포 시각화, 관계 시각화, 비교 시각화, 공간 시각화 등으로 분류될 수 있다. 시각 시각화의 경우, 시간의 흐름에 따른 데이터의 변화를 시각화 하는 기법에 해당할 수 있으며, 막대 그래프, 누적 막대 그래프, 점 그래프 등으로 표시될 수 있다. 분포 시각화의 경우, 데이터의 전체적인 분포를 시각화하는 기법에 해당할 수 있으며, 트리맵 차트, 파이 차트, 도넛 차트, 누적 연속 그래프 등으로 표시될 수 있다. 관계 시각화의 경우, 데이터 사이의 관계를 시각화는 기법에 해당할 수 있으며, 버블 차트, 히스토그램, 스캐터 플릿 등으로 표시될 수 있다. 비교 시각화의 경우, 하나 이상의 물성을 기준으로 대상을 비교하여 시각화하는 기법에 해당할 수 있으며, 히트맵(heatmap)이나 히트 행렬(heat matrix) 등으로 표시될 수 있다. 공간 시각화의 경우, 지도 맵핑 방식을 통해 시각화하는 기법에 해당할 수 있으며, 지도에 다양한 데이터들을 맵핑하여 표시될 수 있다.
제어부(도 3에 미도시함)는 다중물성 합성 예측 장치(130)의 전체적인 동작을 제어하고, 데이터 설정부(310), 물성학습모델 생성부(330), GA 처리부(350), 합성물 생성부(370) 및 합성물 시각화부(390) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 인공지능 기반의 다중물성 합성 예측 방법을 설명하는 순서도이다.
도 4를 참조하면, 다중물성 합성 예측 장치(130)는 데이터 설정부(310)를 통해 복수의 물성들을 선별하여 목표물성을 설정할 수 있다(단계 S410). 여기에서, 목표물성은 생성하고자 하는 합성물이 확보하여야 하는 물성에 해당할 수 있으며, 합성물을 기준으로 선정될 수 있다. 즉, 데이터 설정부(310)는 합성물의 특성을 고려하여 복수의 물성들을 선별할 수 있고, 물성별 조건을 부여하여 목표물성을 설정할 수 있다. 일 실시예에서, 데이터 설정부(310)는 복수의 물성들 간의 상관관계를 기초로 목표물성을 조절할 수 있다. 예를 들어, 목표물성의 물성들 중 물성 A와 물성 B 사이에 상충 관계가 존재하는 경우 데이터 설정부(310)는 합성물의 용도, 특성에 따라 물성 A의 최소 조건을 전제로 물성 B를 극대화하기 위한 목표물성을 결정할 수 있다.
또한, 다중물성 합성 예측 장치(130)는 물성학습모델 생성부(330)를 통해 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성할 수 있다(단계 S430). 즉, 각 물성 별로 독립적인 학습 과정에 의해 물성학습모델들이 구축될 수 있다. 특히, 물성학습모델 생성부(330)는 병렬적인 학습 구조로 구현된 병렬 학습모듈을 포함할 수 있다. 즉, 병렬 학습모듈은 상충 관계의 물성들 각각을 병렬적으로 학습하여 각 물성학습모델을 구축할 수 있으며, 이에 따라 GA 기반의 역설계 과정에서 다중물성에 대한 전역탐색의 수행 시간이 효과적으로 향상될 수 있다.
일 실시예에서, 물성학습모델 생성부(330)는 특정 물성을 기초로 데이터베이스(150)를 통해 관리되는 다양한 소재들에 관한 전용 DB로부터 데이터 샘플링을 수행하여 적어도 하나의 소재를 선별할 수 있다. 또한, 물성학습모델 생성부(330)는 샘플링을 통해 획득된 데이터에 관한 검증을 수행하여 학습 데이터셋을 확정할 수 있다. 이때, 데이터 검증을 위해 다양한 검증 알고리즘이 사용될 수 있다. 예를 들어, 검증 알고리즘에는 Hold-out, K-fold 및 leave-one-out 등의 교차검증(cross validation) 기법이 포함될 수 있다.
구체적으로, Hold-out 검증 알고리즘은 데이터셋을 학습셋(learning set)과 테스트셋(test set)으로 분류하여 수행될 수 있다. 예를 들어, Hold-out 검증 알고리즘은 데이터셋의 80%를 학습셋으로 삼아 모델을 학습시킬 수 있고, 나머지 20%를 테스트셋으로 삼아 모델에 관한 성능을 평가할 수 있다. 다만, 데이터셋을 학습셋과 테스트셋으로만 구분하는 경우 모델이 테스트셋에 과적합(overfitting)될 수 있다. 따라서, Hold-out 검증 알고리즘은 데이터셋을 학습셋, 검증셋 및 테스트셋으로 구분하여 수행될 수도 있다.
K-fold 검증 알고리즘은 데이터셋을 K개의 서브셋으로 구분하여 수행될 수 있다. 예를 들어 ,5-fold의 경우 5개의 서브셋으로 구분하는 경우에 해당할 수 있다. 이후, K-fold 검증 알고리즘은 하나의 서브셋만을 테스트에 사용하고 나머지 K-1개의 서브셋은 학습에 사용할 수 있으며, 이러한 과정을 K번 반복하여 수행할 수 있다. 또한, K-fold 검증 알고리즘은 K번 측정한 성능 지표를 평균함으로써 최종적인 모델의 성능을 평가할 수 있다.
Leave-one-out 알고리즘은 데이터셋을 검증셋과 학습셋으로 구분하여 수행될 수 있다. 즉, Leave-one-out 알고리즘은 하나의 검증셋을 이용하여 나머지 학습셋들을 각각 검증하는 방식으로 수행될 수 있다. 한편, 물성학습모델 생성부(330)는 학습 데이터셋을 구축하기 위하여 데이터 전처리 동작을 수행할 수 있다. 데이터 전처리 과정에서는 텍스트 형태의 테이터들(예를 들어, 소재의 주조법이나 강화상 등)을 학습 가능한 형태의 데이터로 변환하는 동작이 수행될 수 있다.
일 실시예에서, 물성학습모델 생성부(330)는 적어도 하나의 소재를 해당 물성학습모델에 제공하여 특정 물성에 관한 최적의 앙상블을 수신할 수 있다. 여기에서, 최적의 앙상블은 복수의 후보 모델들 중에서 앙상블 기법에 따라 선택된 모델에 해당할 수 있다. 일 실시예에서, 물성학습모델 생성부(330)는 적어도 하나의 소재에 관한 화학조성을 통해 적어도 하나의 소재 모델을 생성하고 적어도 하나의 소재 모델을 종합하여 최적의 앙상블을 출력하도록 해당 물성학습모델을 설계할 수 있다. 즉, 물성학습모델은 앙상블 기법이 적용되어 구현될 수 있으며, 내부 설계 구조에 따라 복수의 소재 모델들 중에서 최종 선택된 하나의 소재 모델을 최적의 앙상블로 결정하여 출력하도록 구현될 수 있다.
또한, 다중물성 합성 예측 장치(130)는 GA 처리부(350)를 통해 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성할 수 있다(단계 S450). 여기에서, 유전 알고리즘(GA, Genetic Algorithm)은 자연세계의 진화 과정에 기초한 계산 모델로서 전역 최적화 기법에 해당할 수 있다. 특히, 유전 알고리즘은 선택(selection), 교차(crossover), 돌연변이(mutation) 및 대치 등을 주요 연산으로 포함할 수 있다.
구체적으로, 선택(selection)은 한 세대에서 다음 세대로 전해지는 해의 후보가 되는 해들을 결정하는 연산에 해당할 수 있다. 선택 방법은 균등 비례 룰렛 휠 선택, 토너먼트 선택, 순위 기반 선택 등을 포함할 수 있다. 또한, 해의 선택은 유전 알고리즘의 성능에 큰 영향을 미칠 수 있다. 즉, 해의 선택 방법에 따라 최적해로 다가가는 속도가 더디게 되거나, 아니면 지역 최적해에 빠지는 경우가 발생할 수 있다. 또한, 우수한 해가 보유한 나쁜 인자가 전체 인구에 퍼지거나, 반대로 나쁜 해가 보유한 우수한 인자가 영구히 사장될 수도 있다. 따라서, 어떤 해를 선택하는지는 유전 알고리즘의 성능에 중요한 요소에 해당할 수 있다.
교차(crossover)는 자연 선택된 해들을 기초로 다음 세대의 해들을 생성하는 연산에 해당할 수 있다. 교차는 두 개의 해를 선택한 후 둘 간에 교차 연산이 수행될 수 있으며, 이를 통해 생성된 해는 각각의 부모 해의 교차 연산을 통해서 서로 겹치지 않는 위치의 유전인자를 받아 새로운 유전자를 구성할 수 있다. 한편, 교차 연산의 수행 방법은 비트 단위 교차에서부터 블록 단위 교차까지 다양한 방법으로 구현될 수 있으며, 교차를 한 번만 수행할지 전 영역에 대해서 교차시킬지 역시 선택적으로 결정될 수 있다.
돌연변이(mutation)는 주어진 해의 유전자 내의 유전 인자의 순서 혹은 값이 임의로 변경되어 다른 해로 변형되는 연산에 해당할 수 있다. 교차 연산은 해의 유전자들을 가상의 공간에 매핑(mapping)하는 경우 부모해들 사이의 어떤 지점에 자식해를 생성하는 것에 해당할 수 있는 반면, 돌연변이 연산은 임의의 위치로 점프하는 것에 해당할 수 있다. 따라서, 약간의 확률로 변이 연산을 수행시켜 주는 것은 전체 세대가 함께 지역 최적해에 빠져드는 경우를 방지하기 위한 주요한 기법이 될 수 있으며, 해 집단의 다양성을 높여줄 수 있다.
대치는 교차 또는 돌연변이 등을 통해 만들어진 새로운 해를 해 집단에 추가하고, 기존 해 중 열등한 해를 가려내서 제외시키는 연산에 해당할 수 있다. 대치 방법은 가장 품질이 나쁜 해를 대치하는 방법, 새로운 해의 부모해 중에서 새로운 해와 가장 비슷한 해를 대치시키는 방법(즉, 해집단의 다양성을 유지하기 위함) 등을 포함할 수 있다.
이에 따라, GA 처리부(350)는 목표물성을 충족하는 합성물을 생성하기 위하여 합성물에 관한 설계 인자들을 전역적으로 탐색할 수 있으며, 설계 인자들에 관한 후보 조합을 중간 합성물로서 생성할 수 있다. 특히, 중간 합성물은 다중물성 합성물의 상충 물성들 사이에서 목표물성을 극대화하는 최적의 조합을 결정하는 역설계 과정의 중간 생성물에 해당할 수 있다.
일 실시예에서, GA 처리부(350)는 소재 데이터베이스에서 목표물성에 따른 임의의 소재를 전역적으로 선택할 수 있다. 또한, GA 처리부(350)는 임의의 소재의 조합, 함량 및 결합구조 중 적어도 하나에 대한 변형을 통한 돌연변이를 생성하여 복수의 중간 합성물들을 생성할 수 있으며, 단계별 평가가 만족될 때까지 돌연변이의 생성을 반복할 수 있다.
보다 구체적으로, GA 처리부(350)는 중간 합성물 생성을 위한 유전 알고리즘 기반의 전역탐색 과정을 수행할 수 있으며, 전역탐색 과정은 목표물성을 충족하는 소재 후보들을 선택(selection)하는 과정, 선택된 소재 후보들에 대한 교차(crossover) 과정 및 변이(mutation) 과정을 통해 이루어질 수 있다. 즉, GA 처리부(350)는 소재 후보들에 대한 교차(crossover) 과정 및 변이(mutation) 과정을 통해 소재의 조합, 함량 및 결합구조 중 적어도 하나에 대한 변형을 적용함으로써 돌연변이를 생성하여 복수의 중간 합성물들을 반복적으로 생성할 수 있다.
또한, GA 처리부(350)에 의해 각 반복마다 생성된 중간 합성물들은 합성물 생성부(370)에 전달되어 단계별 평가가 수행될 수 있으며, 해당 단계별 평가가 만족될 때까지 GA 처리부(350)에서의 전역 탐색 과정은 반복적으로 수행될 수 있다.
또한, 다중물성 합성 예측 장치(130)는 합성물 생성부(370)를 통해 복수의 물성학습모델들 각각으로 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성할 수 있다(단계 S470). 즉, 다중물성 합성물의 목표물성은 복수의 물성들의 조합으로 설정될 수 있으며, 합성물 생성부(370)는 복수의 물성들에 관한 단계별 평가를 수행할 수 있다. 이때, 단계별 평가는 목표물성의 물성들에 관한 우선순위에 따라 이루어질 수 있다. 또한, 각 단계별 평가에는 해당 물성에 관한 물성학습모델(즉, 물성별 최적의 앙상블)이 활용될 수 있다. 결과적으로, 합성물 생성부(370)는 단계별 평가를 통해 목표물성의 요구치를 모두 충족하는 합성물의 설계 인자를 도출함으로써 최종의 다중물성 합성물을 생성할 수 있다.
일 실시예에서, 합성물 생성부(370)는 각 단계마다 해당 중간 합성물이 해당 물성학습모델을 통해 출력된 최적의 앙상블에 부합하는지 여부를 평가할 수 있다. 즉, 합성물 생성부(370)는 단계별 평가의 각 단계마다 해당 물성에 관한 평가를 수행할 수 있으며, 해당 평가 과정에서 해당 물성에 관한 최적화된 앙상블 모델(즉, 최적의 앙상블)을 사용할 수 있다.
여기에서, 앙상블 모델(앙상블 학습)은 여러 개의 분류기를 생성하고 그 예측을 결합함으로써 보다 정확한 예측을 도출하는 학습 방법에 해당할 수 있다. 즉, 강력한 하나의 모델을 사용하는 대신 보다 약한 여러 개의 모델을 조합하여 보다 정확도 높은 결과를 예측하기 위한 방법에 해당할 수 있다. 일반적으로, 앙상블 학습은 보팅(voting), 배깅(bagging) 및 부스팅(boosting) 등으로 분류될 수 있다.
보팅(voting)은 여러 개의 분류기를 이용하여 투표를 통해 최종 예측 결과를 결정하는 방식에 해당할 수 있다. 보팅은 서로 다른 알고리즘들을 기초로 각각의 분류기를 구현한 다음 결합하여 수행될 수 있다. 보팅 방식에는 다수의 분류기가 예측한 결과값을 최종 결과로 선정하는 하드 보팅(hard voting)과 모든 분류기가 예측한 값의 결정 확률 평균을 구한 뒤 가장 확률이 높은 레이블 값을 최종 결과를 선정하는 소프트 보팅(soft voting)이 포함될 수 있다.
배깅(bagging)은 데이터 샘플링을 통해 모델을 학습시킨 다음 그 결과를 집계(aggregating)하는 방법에 해당할 수 있다. 배깅은 모두 같은 유형의 알고리즘으로 분류기를 구현하여 사용할 수 있으며, 데이터 분할 과정에서 중복을 허용할 수 있다. 배깅 방식에는 범주형 자료(categorical data)의 경우 다수결 투표 방식으로 결과를 집계하는 방식이 적용될 수 있고, 연속형 자료(continuous data)의 경우 평균값 집계 방식이 적용될 수 있다. 배깅은 과적합(overfitting) 방지에 효과적일 수 있으며, 대표적인 배깅 방식은 랜덤 포레스트 알고리즘에 해당할 수 있다.
부스팅(boosting)은 여러 개의 분류기가 순차적으로 학습을 수행하는 방법에 해당할 수 있다. 즉, 이전 분류기가 예측이 잘못된 데이터에 대해서 올바르게 예측할 수 있도록 다음 분류기에게 가중치(weight)를 부여하면서 학습과 예측이 진행될 수 있다. 부스팅의 경우 예측 성능이 뛰어난 점에서 앙상블 학습의 경우에 일반적으로 활용될 수 있다. 대표적인 부스팅 알고리즘에는 XGBoost, LightGBM 등이 포함될 수 있다. 한편, 부스팅 방식은 배깅에 비해 성능이 좋은 반면, 속도가 느리고 과적합이 발생할 가능성이 존재하므로 상황에 따라 적절하게 사용될 필요가 있다.
일 실시예에서, 다중물성 합성 예측 장치(130)는 개별적으로 구성된 순방향 기계학습에 대한 개별 모듈을 통합하여 통합형 모듈 인터페이스를 제공할 수 있다. 통합형 모듈 인터페이스는 기계학습에 필요한 전 과정을 설정한 후 한번의 실행 동작을 통해 최종결과까지 얻을 수 있는 '원버튼' 형식으로 구현되어 향상된 사용자 편의성을 제공할 수 있다.
도 5는 본 발명에 따른 인공지능 학습 과정을 설명하는 도면이다.
도 5를 참조하면, 다중물성 합성 예측 장치(130)는 합성물 생성을 위해 복수의 물성들을 선별하여 목표물성을 설정할 수 있다. 이때, 합성물 설계를 위한 데이터베이스는 실험 결과 데이터를 기초로 구축될 수 있다. 즉, 다중물성 합성 예측 장치(130)는 기 구축된 데이터베이스를 기초로 기계학습 수행을 위한 학습 데이터셋을 생성할 수 있다.
이때, 일반적으로 소재의 화학조성 및 공정조건 등은 실수형 데이터로 이루어지는 반면, 소재의 주조법 및 강화상 등과 같은 일부 제조법 및 공정 변수들은 텍스트 형태의 데이터로 이루어질 수 있다. 따라서, 텍스트 데이터를 학습 알고리즘에 적용하기 위해서는 추가적인 변수값 변환이 요구될 수 있다.
또한, 다중물성 합성 예측 장치(130)는 텍스트 데이터에 대한 레이블링 처리 후 및 매칭 작업을 자동화할 수 있는 인터페이스를 구현하여 제공할 수 있다. 즉, 다중물성 합성 예측 장치(130)는 텍스트 데이터에 대한 레이블 및 킷값 매칭 시스템을 독립적으로 제공할 수 있으며, 이에 따라 텍스트 데이터가 역설계 과정에서 다른 실수형 데이터에 기반한 설계 인자와 별도로 저장 및 관리되도록 할 수 있다.
또한, 다중물성 합성 예측 장치(130)는 데이터 재구조화 이후 원시데이터(raw data)를 입력변수(input feature)와 출력변수(target feature)로 구분하여 각각 설정할 수 있다. 이때, 학습을 위해 요구되는 다양한 실험 및 이론값은 기계학습을 위한 입력변수(input feature)로 설정되어 최종 목표값인 출력변수(target feature)를 예측하기 위한 가중치 도출에 사용될 수 있다.
예를 들어, 데이터베이스는 화학조성, 압하량, 압하율, 오스테니타이징 온도, 시효온도 및 시간, 심냉처리 유무와 같은 실험조건과 열역학적 구동력, 1차 탄화물의 평형 부피분율과 같은 이론값이 입력변수(input feature)로 설정될 수 있으며, 인장강도, 경도, 연신율, 충격인성, 파괴인성과 같은 소재의 물성이 출력변수(target feature)로 설정될 수 있다.
또한, 다중물성 합성 예측 장치(130)는 경험적으로 좋은 특성을 사용하여 더 적은 데이터로 문제를 해결할 수 있도록 하는 피처 엔지니어링을 수행할 수 있으며, 이후 결과에 따라 상호작용 피처를 추가하여 데이터베이스를 구성할 수도 있다. 또한, 다중물성 합성 예측 장치(130)는 기계학습을 위한 학습 알고리즘을 선택하고, 관련 학습 알고리즘을 적용하기 위한 세부 조건들을 설정할 수 있다. 예를 들어, 다중물성 합성 예측 장치(130)는 네트워크의 계층 구조를 설정할 수 있으며, 활성화 함수(activation function), 옵티마이저(optimizer), 학습속도(learning rate)와 같은 기계학습 조건들을 설정할 수 있다.
보다 구체적으로, 기계학습을 위한 학습 알고리즘의 선택은 연속된 계층들에서 순차적으로 의미있는 표현을 학습하는데 적절하며 데이터로부터 새로운 표현을 배우는 계층적 표현학습방식인 딥러닝 알고리즘 중에서 결정될 수 있다. 이때, 노드(node)와 레이어(layer)의 수를 설정함으로써 딥러닝 네트워크의 계층 구조가 결정될 수 있으며, 활성화 함수(activation function), 옵티마이저(optimizer), 학습률(learning rate)과 같은 기계학습 조건들이 설정될 수 있다. 또한, 딥러닝 알고리즘은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)의 계층들로 구성될 수 있으며, 데이터의 전달단위로서 뉴런(노드)을 포함할 수 있다.
즉, 딥러닝 알고리즘은 뉴런의 신호 전달 모델 및 여러 뉴런이 상호작용하는 복잡한 인간의 생물학적 뇌와 같은 신경망에서 영감을 얻은 통계학적 학습 알고리즘에 해당할 수 있다. 또한, 딥러닝 알고리즘은 노드와 노드 사이의 연결마다 데이터의 중요도를 나타내는 가중치(weight)가 설정될 수 있으며, 레이어를 통해 데이터가 전달됨에 따라 은닉층에서 비선형 형태의 활성화 함수를 거치면서 데이터에 대한 미분과 차원 왜곡이 수행될 수 있다.
이때, 일반적으로 사용되는 활성화 함수로는 ReLu함수가 있으며, 이 외에 ReLu함수의 단점을 보완하기 위해 고안된 leaky-relu, pReLu, elu 그리고 Selu 함수 등이 존재한다. 결과적으로, 딥러닝 네트워크는 노드와 레이어, 그리고 활성화 함수의 조합으로 형성될 수 있으며, 예측값과 실제값 사이의 오차를 최소화하는 방향으로 노드 사이의 가중치들을 최적화함으로써 학습이 수행될 수 있다.
도 6은 본 발명에 따른 인공지능 기반의 다중물성 합성 예측 과정을 설명하는 도면이다.
도 6을 참조하면, 다중물성 합성 예측 장치(130)는 순방향 기계학습 모델을 적합도 함수로 활용한 유전자 알고리즘 기반 역설계에 있어서 다중물성에 대한 전역탐색이 가능하도록 기계학습 과정에 병렬 학습 기능이 추가되어 구현될 수 있다. 또한, 다중물성 합성 예측 장치(130)는 역설계 과정에서 다중물성 각각의 가중치를 고려해 엘리트주의가 발현되도록 알고리즘을 적용할 수 있으며, 최종 복수의 물성을 극대화하기 위한 전역 탐색이 가능하도록 구현될 수 있다.
도 6의 경우, 다중물성 합성 예측 장치(130)는 확보하고자 하는 복수 물성(예를 들어, n개) 선정 및 각각의 물성에 대한 데이터 재구조화를 수행할 수 있다. 다중물성 합성 예측 장치(130)는 인공신경망 기반 병렬학습을 통해 각각의 물성에 대한 학습 모델의 최적화를 수행할 수 있다. 다중물성 합성 예측 장치(130)는 유전자 알고리즘 기반 역설계를 통해 1차 목표물성을 극대화하기 위한 전역탐색을 수행할 수 있으며, 이후 2차(또는 n차) 상충 물성에 대해 병렬 학습된 모델을 활용하여 물성값을 평가할 수 있다.
또한, 다중물성 합성 예측 장치(130)는 역설계 과정을 통해 복수의 목표물성 요구치를 모두 만족하는 합금 설계 인자를 도출할 수 있으며, 이와 동시에 다중물성에 대한 경험기반 가중치 설정 기능을 추가하여, 전역 탐색 시 각각의 물성의 가중치를 고려한 엘리트주의가 발현되도록 동작할 수 있다. 결과적으로, 다중물성 합성 예측 장치(130)는 상충 물성을 포함한 다중물성을 동시에 만족할 수 있는 최적 합금소재 후보군을 효과적으로 탐색하여 다중물성 합성 결과를 예측할 수 있다.
보다 구체적으로, 다중물성 합성 예측 장치(130)는 목표 물성 A 및 B를 위한 데이터 전처리 동작을 수행하여 테스트셋과 통합 데이터셋을 각각 구축할 수 있다. 다중물성 합성 예측 장치(130)는 K-fold 교차 검증을 위한 데이터 샘플링을 수행할 수 있으며, 이를 통해 K개의 서브셋들로 구성된 학습셋을 생성할 수 있다.
이때, 다중물성 합성 예측 장치(130)는 학습셋과 별도로 검증셋을 생성할 수 있으며, 평가(Evaluation) 과정에 활용할 수 있다. 다중물성 합성 예측 장치(130)는 n개의 뉴런들을 갖는 K개의 독립된 학습 모델(ML)을 구축할 수 있으며, 구축된 K개의 학습 모델들을 이용하여 앙상블 모델을 구축할 수 있다. 다중물성 합성 예측 장치(130)는 앙상블 모델의 결과를 이용하여 검증 동작을 수행할 수 있으며, 검증 동작에 의해 최종 결정된 모델을 결정할 수 있다.
이후, 다중물성 합성 예측 장치(130)는 최종 결정된 모델에 대해 테스트셋을 적용하는 과정을 통해 목표 물성 A 및 B 각각에 대한 최적화된 앙상블 모델(Optimized ensemble model)을 결정할 수 있다.
이후, 다중물성 합성 예측 장치(130)는 최적화된 앙상블 모델을 이용하여 유전자 알고리즘 기반의 전역탐색을 수행하여 목표 물성 별로 다중물성 합성을 위한 역설계 결과(Inverse design result)를 도출할 수 있다. 또한, 다중물성 합성 예측 장치(130)는 역설계 결과를 시각화하여 표시할 수 있다. 한편, 다중물성 합성 예측 장치(130)는 목표 물성이 복수인 경우 목표 물성 별로 역설계 결과를 생성할 수 있으며, 목표 물성마다 우선순위가 부여된 경우 우선순위에 따라 역설계 결과를 순차적으로 생성할 수 있다. 이때, 다중물성 합성 예측 장치(130)는 선순위 목표 물성의 역설계 결과를 반영하여 후순위 목표 물성에 대한 역설계 결과를 생성할 수 있다.
이하, 도 7 내지 12를 참조하여 본 발명에 따른 인공지능 기반의 다중물성 합성 예측 방법에 관한 실험 내용을 구체적으로 설명한다.
여기에서는, 알루미늄 매트릭스 복합재(aluminum matrix composites)을 개발하는 과정에서 알루미늄(Al)과 CNT 사이의 계면 습윤(interfacial wetting)을 향상시키는 가교 원자(bridging atom)를 결정하기 위한 방법으로 사용되는 실시예를 설명한다.
기계학습을 위한 데이터베이스(Database for machine learning)
357개의 상이한 알루미늄 매트릭스 복합재(Al matrix composite)의 실험 데이터는 복합재의 기계적 특성에 대한 매트릭스의 합금 요소의 효과를 분석한 연구 논문 및 특허로부터 수집될 수 있다. 기계학습 모델의 입력 파라미터는 매트릭스의 화학조성(chemical composition), 처리 조건(밀링과 압밀 방법 및 열처리 조건) 및 보강재(reinforcement)의 체적율(volume fraction)을 포함할 수 있으며, 출력 파라미터는 항복 강도(YS, yield strength)를 포함할 수 있다.
여기에서는 YS에 대한 9개의 합금 원소(Cu, Zn, Cr, Sn, Ti, Si, Mn, Mg 및 Fe)의 효과가 평가될 수 있다. 또한, 밀링 속도(milling speed), 밀링 시간(milling time), 볼 대 분말 비율(ball-to-powder ratio), 압밀 온도(consolidation temperature), 압밀 압력(consolidation pressure), 노화 조건(aging condition) 및 보강재의 체적율(volume fraction)과 같은 다른 특징은 각각 400rpm, 5h, 15:1, 600도, 84MPa, non-aging 및 2.5로 각각 설정될 수 있다.
데이터 샘플링에 앞서 이진 상호작용 파라미터(binary interaction parameters)는 학습 성능(learning performance)과 효율성(efficiency)을 개선하기 위해 계산될 수 있다. 또한, 특징 공학(feature engineering)은 다음의 수학식 1에 의해 정의된 Pearson의 상관관계를 기반으로 수행될 수 있다.
[수학식 1]
예를 들어, YS와 양의 또는 음의 상관관계를 갖는 높은 중요도의 15개의 특징들이 선택될 수 있다. 수정된 데이터베이스는 표준 스케일링 공식(즉, )을 사용하여 순차적으로 정규화되고 혼합된 데이터들로 구성될 수 있다. 27개의 데이터셋(즉, 총 135개의 데이터셋 중 20%)은 ML 앙상블 모델의 교차 검증(cross-validation)을 위한 테스트셋으로 사용될 수 있고, 나머지 108개의 데이터셋은 ML 앙상블 모델에서 ANN의 하이퍼파라미터 튜닝을 위한 학습 및 검증 셋으로 사용될 수 있다. 여기에서, ML 과정의 에포크(epoch)는 검증 기반 조기 종료(validation-based early stopping)의 사용으로 인해 제한되지 않으며, 이에 따라 과적합(overfitting)이 방지될 수 있다.
기계 학습 모델(Machine learning model)
여기에서는, ML 앙상블 모델은 K-fold 교차 검증과 결합된 ANN 아키텍처를 기반으로 구현될 수 있다. 모델 학습 과정은 도 7에 도시되어 있다.
편향된 실험 데이터베이스(biased experimental database)에서 발생하는 오류를 줄이기 위해 ML은 K-fold 교차 검증을 통해 수행될 수 있으며, K개의 동일한 크기를 갖는 하위 집합(subset)들로 나누기 위해 데이터셋은 다시 샘플링될 수 있다. 이후, 학습된 모델은 배깅 앙상블 기법(bagging ensemble technique)을 사용하여 하나의 모델로 통합될 수 있다. 앙상블 모델의 성능은 주로 ANN 아키텍처뿐만 아니라 샘플링 방법에 의존할 수 있기 때문에 해당 하이퍼파라미터는 15-110 뉴런(N) 및/또는 레이어(L) 및 2-10 K의 범위에서 최적화될 수 있다. ML 정확도를 평가하기 위한 기준으로, 와 같이 정의되는 R-제곱 값(R2)(여기에서, , 및 는 각각 예상, 예측 및 평균 값임) 이 각각 테스트셋 및 검증셋을 기초로 K 및 N(또는 L)과 비교될 수 있다. 일반적으로 R2는 신경망 아키텍처뿐만 아니라 샘플링 방법에 의해 크게 영향을 받을 수 있기 때문에 모든 샘플링 방법에 대해 도 8의 그림 (a)와 같이 가장 높은 가장 높은 R2를 달성하는 최적화된 ANN 아키텍처를 찾을 필요가 있다.
여기에서는, ANN 아키텍처 및 샘플링 조건에 관한 모든 조합을 고려하기 위해, 총 864 ML 반복들이 수행될 수 있다. 또한, 가장 높은 R2를 나타내는 K의 값 및 해당 최적의 ANN 아키텍처가 도 7에 도시된 방법에 따라 탐색될 수 있다.
MWCNT를 포함하는 알루미늄 기반 복합재의 제작 및 특성화(Fabrication and characterization of Al-based composites containing MWCNTs)
ML 결과를 검증하기 위해, 볼 밀링된 복합 분말을 열간 압연함으로써 각각 0, 1.5, 3vol% MWCNT를 포함하는 Al, Al-Si 및 Al-Cu 매트릭스 복합재에 대해 MWCNT의 강화 효율(strengthening efficiency)이 조사될 수 있다. 출발 분말(직경 150μm 미만)은 아르곤 대기 하에 18시간 동안 500rpm으로 마찰 밀(attrition mill)에서 기계적으로 합금될 수 있다. 볼 대 분말 중량비(ball-to-powder weight ratio)는 15:1이다. 밀링 전에, 1.0 중량%의 스테아르산[CH3(CH2)16COOH]이 공정 조절제(process control agent)로 첨가될 수 있다. 밀링된 분말은 동일한 조건에서 6시간 동안 MWNT(직경~10nm, 길이~5μm)를 추가하여 추가로 볼 밀링될 수 있다. 볼 밀링된 복합재 분말은 Cu 튜브에 담아 실온에서 3시간 동안 탈기될 수 있다. 또한, Cu 튜브는 밀봉된 다음 열간 압연될 수 있다. 샘플은 15 도/분의 가열 속도로 480도의 미리 정해진 온도로 가열될 수 있다. 압연은 부피(볼륨)이 12% 감소할 때마다 실시될 수 있다. 27번의 패스 후, Cu 튜브는 기계적으로 제거될 수 있다. 마지막으로, 각각 0, 1.5, 3vol% MWCNT를 함유하는 순수 Al, Al-4.5 at% Si 및 Al-4.5at% Cu 매트릭스 복합재의 9가지 유형의 시편이 제작될 수 있다.
3vol% MWCNT로 강화된 복합재의 미세구조는 고해상도 투과전자현미경(HRTEM, JEOL 2000)을 사용하여 관찰될 수 있다. 시트에서 얇은 호일 시편은 투과전자현미경(TEM) 분석을 위해 이온 빔 밀링(가탄, 모델 600, 옥스포드, 영국)에 의해 제조될 수 있다. 라만 측정(LabRam HR, Jobin-Yvon Co. Ltd, France)은 볼 밀링 및 열간 압연 공정 후 MWCNT의 무질서(disorder)를 특성화하기 위해 수행될 수 있다. 시편의 인장 특성(tensile property)은 ASTM B-209 표준 사양에 따라 실온에서 초기 변형률(strain rate)이 1×10-4 s-1인 일정한 크로스헤드(cross-head) 속도 조건에서 인스트론 유형 기계(Instron-type machine)를 사용하여 평가될 수 있다. 열연 복합 시트로부터 인장 시편(두께 1mm, 게이지 길이 12.5mm, 게이지 폭 6mm, 상부 및 하부 그립 모두에서 유효 그립 길이 160mm)을 준비하고 압연 방향으로 하중을 가할 수 있다.
결과 및 토론(Results and discussion)
도 8의 그림(b)에 도시된 바와 같이, K=3의 경우 가장 높은 R2 = 0.77를 나타내는 최적의 ANN 아키텍처는 72 N 및 72 L로 관찰되었으며, 이는 다른 fold와 상이할 수 있다. 즉, ML 모델은 72 N 및 72 L로 최적화된 신경망과 함께 3가지 유형의 ML 모델의 앙상블을 사용하여 최적화될 수 있으며, 해당 비용은 도 8의 그림 (c)에 도시된 바와 같이 ~13%일 수 있다.
도 9는 최적화된 ML 앙상블 모델을 사용하여 YS에 대한 합금 원소의 효과를 평가한 결과에 해당할 수 있다. 2.5vol% MWCT로 강화된 Al 매트릭스 복합재의 경우, YS에 대한 합금 원소의 효과가 Mg, Fe, Mn, Si, Sn, Cr, Ti, Zn 및 Cu의 순서로 증가할 것으로 예상되었다. 이러한 결과는 그림 (b)에 도시된 바와 같이 원소 함량에 대한 YS의 민감도에 의해 설명될 수 있다. 특히, Al 매트릭스 복합재에 1 wt% Cu(최소최대 정규화된 Cu 함량의 0.1) 이상을 첨가하면 YS에 대한 다른 합금 원소의 효과에 비해 YS에 큰 영향을 미칠 수 있다.
ML 결과를 검증하기 위해 Al, Al-Si, Al-Cu 매트릭스 복합재의 MWCNT의 강화 효율이 조사될 수 있으며, MWCNT의 효율성 강화에 가장 영향력 있는 금속 및 비금속 합금 요소(Cu 및 Si)의 효과가 조사될 수 있다. 도 10은 3vol% MWCNT로 강화된 Al, Al-Si 및 Al-Cu 매트릭스 복합재의 TEM 이미지를 나타낼 수 있다. 매트릭스의 구성에도 불구하고 각 MWCNT(흰색 화살표로 표시)는 롤링 방향을 따라 개별적으로 분산되고 정렬될 수 있다. 또한, 합금 매트릭스에서 침전물이나 두 번째 상은 관찰되지 않았으며, 이는 기계적 합금 공정 동안 Si 또는 Cu 원자가 Al 매트릭스에 효과적으로 용해되었음을 나타낼 수 있다. 볼 밀링 중에 일부 뻣뻣한 MWCNT는 부드러운 Al 또는 Al 합금 분말에 포함될 수 있으며, 일반적으로 입자의 소성 변형을 통해 분산되는 반면 일부 깨진 MWCNT는 분말 표면에 위치할 수 있다.
MWCNT는 어느 정도 축소되고 변형되는 것으로 관찰되었지만 기계적 공정(핫 롤링)에서 분자 구조를 보존하는 것으로 나타날 수 있다. MWCNT는 볼 밀링 중 분말 표면이 아닌 복합 분말 내부에 위치하여 탄화물 형성과 이후 MWCNT의 상당한 손상을 예방할 수 있다. 한편, 매트릭스의 입자 크기는 볼 밀링 중 분말의 심한 소성 변형에 의해 유도된 동적 재결정화(dynamic recrystallization)로 인해 모든 복합재에 대해 ~100nm 이하로 감소할 수 있다.
Al, Al-Si 및 Al-Cu 매트릭스 복합재에서 MWCNT의 분자 구조는 라만 분광법으로 조사될 수 있다. 도 11은 초기 MWCNT, MWCNT를 포함하는 볼 밀링 분말 및 해당 복합 시트의 라만 스펙트럼을 나타낼 수 있다. 초기 MWCNT의 경우 ~1570 및 ~1320 cm-1에서 피크(peak)가 감지되었으며, 이는 각각 G 밴드(흑연에서) 및 D 밴드(결함에서)에 해당할 수 있다. 대조적으로, 볼 밀링된 분말 및 복합 시트의 경우 심하게 변형된 MWCNT는 초기 MWCNT에 비해 D 및 G 밴드(ID/IG)의 피크 강도 비율이 더 높은 것으로 나타날 수 있다. 매트릭스의 구성에 관계없이 복합재에서 유사한 ID/IG 비율이 관찰되었지만 Al-Cu 매트릭스 복합재에서 약간 더 높을 수 있다. MWCNT는 더 부드러운 순수한 Al 분말보다 Al-Cu 분말로 밀링할 때 훨씬 더 손상될 수 있으며 MWCNT의 분자 구조가 손상되면 MWCNT의 고유한 기계적 특성이 저하될 수 있다.
도 12는 1.5% 및 3vol% MWCNT를 포함하는 복합재와 함께 단일체 Al 및 Al 합금의 YS 및 극한 인장 강도를 나타낼 수 있다. 즉, 그림 (a), (b) 및 (c)는 각각 pure Al, Al-Si 및 Al-Cu 매트릭스에서 MWCNT 부피 분율의 함수로서 실험적으로 측정되고 이론적으로 추정된 항복 강도(YS)와 극한 인장 강도(UTS)의 비교 결과를 나타낼 수 있다. 모놀리식 Al(Monolithic Al)은 300 MPa의 YS와 310 MPa의 극한 인장 강도를 나타낼 수 있다. TEM 프로파일에서 볼 수 있듯이, Al의 입자 크기는 볼 밀링 중에 ~100nm로 효과적으로 감소되었으며 모놀리식 Al의 강도는 입자 미세화에 의해 향상될 수 있다. Cu 또는 Si의 첨가는 고용체 경화(solid solution hardening)에 의해 나노결정질 Al(nanocrystalline Al)의 강도를 더욱 향상시킬 수 있다. Al 및 그 합금의 YS 및 극한 인장 강도는 MWCNT 함량이 증가함에 따라 증가할 수 있다. 그러나, MWCNT의 강화 효율은 매트릭스의 구성에 따라 달라질 수 있다. MWCNT의 강화 효율은 Al, Al-Si 및 Al-Cu 매트릭스에 대해 각각 ~43, 27 및 73 MPa/vol%일 수 있다.
MWCNT의 통합에 의한 강화는 매트릭스에서 MWCNT로의 부하 전달(load transfer), Orowan 루핑(looping), 열 불일치(thermal mismatch)을 포함한 다양한 메커니즘과 관련이 있는 것으로 관측될 수 있다. 또한, 매트릭스의 강도는 결정립 미세화 및 고용체 강화에 의해 향상될 수 있다.
잔류 열 응력(residual thermal stress)은 계면에서 기하학적으로 필요한 전위를 유도하고 복합재의 유동 응력 수준을 증가시키지만, 여기에서 복합재가 압연 후 방출되고, 열 불일치 변형에 의한 강화는 무시할 수 있는 것으로 간주될 수 있다. 또한, 매트릭스의 입자 크기는 복합재에서 MWCNT의 길이보다 작을 수 있으며, Orowan 강화도 효과가 없는 것으로 간주될 수 있다.
결정립 미세화와 용질 원자의 존재도 복합재의 강도를 증가시킬 수 있다. 따라서, 모놀리식 Al-Cu(0vol% MWCT 포함)는 Al-Si 또는 순수 Al 매트릭스에 비해 뛰어난 강도를 나타낼 수 있다. MWCNT의 강점(즉, MWCNT의 효율성 강화)에 대한 MWCT의 기여도는 MWCNT의 통합에 의한 강도 증가에 기초하여 별도로 계산될 수 있으며, 복합 강화 모델이 적용될 수 있다. 불연속 섬유(discontinuous fibers)에 의한 복합성 강화는 중간점에서 최대 응력 전달에 필요한 최소 섬유 길이인 임계 길이(lc)와 밀접하게 연결될 수 있다. lc의 값은 다음의 수학식 2와 같이 표현될 수 있다.
[수학식 2]
여기서, 는 매트릭스 내 전단 응력(shear stress)(매트릭스의 YS의 절반으로 가정), 는 MWCNTs (30 GPa)의 강도이며, 는 MWCNT의 평균 직경 (TEM 이미지기준 ~35 nm)이다.
이상적인 부하 전달의 가정에 관계없이, 계산된 lc는 ~ μm일 수 있으며, 이는 해당 연구에서 사용되는 MWCNT의 측정된 길이(1 μm, 통계적으로 추정된 TEM 이미지를 사용하여 통계적으로 추정)보다 클 수 있다. l < lc인 경우, 강화 메커니즘은 다음의 수학식 3과 같이 표현되는 켈리 타이슨 방정식(Kelly-Tyson equation)에 의해 성립될 수 있다.
[수학식 3]
여기에서, 는 합성물의 강도, 은 매트릭스의 강도, l은 MWCNT의 평균 길이이다. 실험적으로 얻은 강도는 Al-Cu 매트릭스 복합재에 대해 상기의 수학식 3을 사용하여 계산된 강도와 합리적으로 일치할 수 있다. 그러나, MWCNT는 Al 및 Al-Si 매트릭스에 대해 나쁜 강화 효율을 나타낼 수 있다. Al-Cu 매트릭스에서 MWCNT의 손상된 분자 구조로 인한 열악한 기계적 특성과 관련하여(Raman 연구에 의해 입증됨, 도 11), Cu 원자는 MWCNT의 강화 효율성을 증가시키면서 MWCNT와 매트릭스 사이의 계면 결합을 향상시키는 가교 원자 역할을 하는 것으로 간주될 수 있다. 이러한 결과는 Al/MWCNT 합성물에 대한 데이터베이스의 ML 모델 예측과 일치할 수 있다. 또한, 해당 모델은 Cu가 MWCNT로 강화된 복합재를 강화하는 가장 유익한 합금 원소라고 예측할 수 있다.
복합재가 변형되면 MWCNT와 매트릭스 사이의 계면을 따라 생성된 전단 응력을 통해 매트릭스가 부하를 전달할 수 있다. 계면이 완벽한 결합(본딩)을 형성했을 때 부하 전달 효율은 100%일 수 있다. 그러나, 계면이 약한 계면에서는 기계적 에너지가 손실되어 부하 전달 효율이 저하될 수 있다. 밀도함수 이론(DFT)을 사용한 시뮬레이션은 특정 금속 요소에 대한 흑연 구조에서 활발하게 유리한 흡착 부위를 계산할 수 있다. 그래핀과 금속 사이의 동등한 결합 강도와 거리는 시뮬레이션에서 결정될 수 있다. C 원자는 기저 흑연 평면에서 강력한 공유 결합에 의해 함께 유지되며, 탄소의 나머지 pz-오비탈은 평면 외부의 금속과 결합할 수 있다. 전이 금속(예를 들어, Al)은 d-sub 껍질(shell)이 부족할 수 있고 탄소에 대한 친화도가 낮기 때문에 그래핀과의 약한 2차 결합을 형성할 수 있다. 그러나, 전이 금속(예를 들어, Cu)은 채워지지 않은 d-오비탈을 가지며, 여기서 d-전자는 흑연 평면의 C 원자와 이온 결합을 형성할 수 있다. Cu 원자는 Al과 C 사이의 계면 결합을 강화하기 위해 가교 원자의 역할을 하여 MWCNT의 부하 전달 효율을 향상시킬 수 있다.
일 실시예에서, 본 발명에 따른 방법은 Al/CNT 복합재에 대한 다양한 합금 요소(alloying element)의 효과를 연구하기 위해 사용될 수 있다. 합금 요소는 가교 원자(bridging atom)로서 작용하여 계면 결합(interfacial bonding)을 강화하고 결과적으로 CNT의 강화 효율(strengthening efficiency)을 향상시킬 수 있다.
도 13은 본 발명에 따른 통합형 인터페이스 구성을 설명하는 도면이다.
도 13을 참조하면, 다중물성 합성 예측 장치(130)는 통합형 인터페이스를 제공하는 프로그램으로 구현될 수 있다. 즉, 본 발명에 따른 인공지능 기반의 다중물성 합성 예측 방법을 실행하는 컴퓨터 프로그램은 기록매체에 기록되어 구현될 수 있다.
도 13에서, 기존의 경우 그림 (a)와 같이 다중물성 합성 예측 과정에서 각 단계마다 개별적으로 구성된 모듈 별로 독립된 인터페이스가 제공될 수 있다. 각 인터페이스마다 사용 용어는 물론 사용 방법이 상이할 수 있으며, 이에 따라 사용자 입장에서 사용의 편이성이 낮을 수 있다. 이와 달리, 다중물성 합성 예측 장치(130)는 그림 (b)와 같이 통합된 인터페이스를 제공할 수 있으며, 다중물성 합성 예측을 위한 기계학습에 필요한 전 과정의 설정 동작이 동일한 인터페이스 내에서 이루어질 수 있다. 즉, 다중물성 합성 예측 장치(130)는 한번의 실행 동작을 통해 최종 결과까지 획득할 수 있는 '원버튼' 형식으로 구현되어 사용자의 편의성을 효율적으로 향상시킬 수 있다.
예를 들어, 소재의 화학조성 및 공정조건의 설정뿐만 아니라 텍스트 형태의 데이터에 대한 변환 동작이 통합형 인터페이스를 통해 수행될 수 있다. 텍스트 데이터의 경우 레이블링 처리, 키값 매칭 작업 등의 동작이 통합형 인터페이스를 통해 수행될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
이 발명을 지원한 국가연구개발사업(1)
과제고유번호: 1711126927; 과제번호: 2020M3H4A3106736; 부처명: 과학기술정보통신부; 과제관리(전문)기관명: 한국연구재단; 연구사업명: 나노·소재기술개발(R&D); 연구과제명: 인공지능/계산과학 기반 알루미늄 합금 전주기 예측 플랫폼 개발; 기여율: 1/1; 과제수행기관명: 국민대학교; 연구기간: 2021.01.25 ~ 2021.12.31
이 발명을 지원한 국가연구개발사업(2)
과제고유번호: 1711137226; 과제번호: 2021M3H4A6A01045764; 부처명: 과학기술정보통신부; 과제관리(전문)기관명: 한국연구재단; 연구사업명: 나노·소재기술개발(R&D); 연구과제명: 구조/안전 소재 공정조합설계 연구단; 기여율: 1/1; 과제수행기관명: 국민대학교; 연구기간: 2021.04.26 ~ 2021.12.31
이 발명을 지원한 국가연구개발사업(3)
과제고유번호: 1711138865; 과제번호: 2021M3A7C2089759; 부처명: 과학기술정보통신부; 과제관리(전문)기관명: 한국연구재단; 연구사업명: 나노·소재기술개발(R&D); 연구과제명: AI 기반 스마트·IT소재 연구데이터 분석 및 활용기술 개발; 기여율: 1/1; 과제수행기관명: 국민대학교; 연구기간: 2021.06.28 ~ 2022.03.27
이 발명을 지원한 국가연구개발사업(4)
과제고유번호: 1415174611; 과제번호: 20012196; 부처명: 산업통상자원부; 과제관리(전문)기관명: 한국산업기술평가관리원; 연구사업명: 산업기술알키미스트프로젝트(R&D); 연구과제명: AI 기반 초임계 소재; 기여율: 1/1; 과제수행기관명: 연세대학교 산학협력단; 연구기간: 2021.05.01 ~ 2022.02.28
100: 다중물성 합성 시스템
110: 사용자 단말 130: 다중물성 합성 예측 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 설정부 330: 물성학습모델 생성부
350: GA 처리부 370: 합성물 생성부
390: 합성물 시각화부
110: 사용자 단말 130: 다중물성 합성 예측 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 설정부 330: 물성학습모델 생성부
350: GA 처리부 370: 합성물 생성부
390: 합성물 시각화부
Claims (25)
- 복수의 물성들을 선별하여 목표물성을 설정하는 데이터 설정부;
물성학습모델의 구축 과정을 각 물성 별로 독립적으로 처리하는 병렬 학습모듈을 포함하고, 상기 병렬 학습모듈을 통해 상충 관계의 물성들을 포함한 상기 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성하여 상기 복수의 물성학습모델들을 병렬적으로 구축하는 물성학습모델 생성부;
상기 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성하는 GA 처리부; 및
상기 복수의 물성학습모델들 각각으로 상기 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성하고, 상기 단계별 평가는 각 중간 합성물이 상기 목표물성의 물성들에 관한 우선순위에 따라 이전 물성의 극대화 조건 하에서 현재 물성의 극대화 조건을 충족하는지를 검사함으로써 수행되는 합성물 생성부;를 포함하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제1항에 있어서, 상기 데이터 설정부는
상기 복수의 물성들 간의 상관관계를 기초로 상기 목표물성을 조절하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제1항에 있어서, 상기 데이터 설정부는
상기 목표물성을 복수로 설정하는 경우 각 목표물성마다 우선순위를 설정하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제1항에 있어서, 상기 물성학습모델 생성부는
특정 물성을 기초로 소재 데이터베이스에서 데이터 샘플링을 수행하여 적어도 하나의 소재를 선별하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제4항에 있어서, 상기 물성학습모델 생성부는
상기 적어도 하나의 소재를 해당 물성학습모델에 제공하여 상기 특정 물성에 관한 최적의 앙상블을 수신하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제5항에 있어서, 상기 물성학습모델 생성부는
상기 적어도 하나의 소재에 관한 화학조성을 통해 적어도 하나의 소재 모델을 생성하고 상기 적어도 하나의 소재 모델을 종합하여 상기 최적의 앙상블을 출력하도록 상기 해당 물성학습모델을 설계하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제1항에 있어서, 상기 GA 처리부는
소재 데이터베이스에서 상기 목표물성에 따른 임의의 소재를 전역적으로 선택하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제7항에 있어서, 상기 GA 처리부는
상기 임의의 소재의 조합, 함량 및 결합구조 중 적어도 하나에 대한 변형을 통한 돌연변이를 생성하여 상기 복수의 중간 합성물들을 생성하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제8항에 있어서, 상기 GA 처리부는
상기 단계별 평가가 만족될 때까지 상기 돌연변이의 생성을 반복하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제1항에 있어서, 상기 합성물 생성부는
각 단계마다 해당 중간 합성물이 해당 물성학습모델을 통해 출력된 최적의 앙상블에 부합하는지 여부를 평가하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제10항에 있어서, 상기 합성물 생성부는
상기 목표물성이 복수인 경우 상기 목표물성의 우선순위에 따라 상기 각 단계에서 적용되는 상기 최적의 앙상블을 결정하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 제1항에 있어서,
상기 최종의 다중물성 합성물에 관한 시각화를 제공하는 합성물 시각화부;를 더 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 장치.
- 다중물성 합성 예측 장치에서 수행되는 다중물성 합성 예측 방법에 있어서,
데이터 설정부를 통해, 복수의 물성들을 선별하여 목표물성을 설정하는 데이터 설정단계;
물성학습모델 생성부를 통해, 물성학습모델의 구축 과정을 각 물성 별로 독립적으로 처리하는 병렬 학습모듈에 의해 상충 관계의 물성들을 포함한 상기 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성하여 상기 복수의 물성학습모델들을 병렬적으로 구축하는 물성학습모델 생성단계;
GA 처리부를 통해, 상기 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성하는 GA 처리단계; 및
합성물 생성부를 통해, 상기 복수의 물성학습모델들 각각으로 상기 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성하고, 상기 단계별 평가는 각 중간 합성물이 상기 목표물성의 물성들에 관한 우선순위에 따라 이전 물성의 극대화 조건 하에서 현재 물성의 극대화 조건을 충족하는지를 검사함으로써 수행되는 합성물 생성단계;를 포함하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제13항에 있어서, 상기 데이터 설정단계는
상기 복수의 물성들 간의 상관관계를 기초로 상기 목표물성을 조절하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제13항에 있어서, 상기 데이터 설정단계는
상기 목표물성을 복수로 설정하는 경우 각 목표물성마다 우선순위를 설정하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제13항에 있어서, 상기 물성학습모델 생성단계는
특정 물성을 기초로 소재 데이터베이스에서 데이터 샘플링을 수행하여 적어도 하나의 소재를 선별하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제16항에 있어서, 상기 물성학습모델 생성단계는
상기 적어도 하나의 소재를 해당 물성학습모델에 제공하여 상기 특정 물성에 관한 최적의 앙상블을 수신하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제17항에 있어서, 상기 물성학습모델 생성단계는
상기 적어도 하나의 소재에 관한 화학조성을 통해 적어도 하나의 소재 모델을 생성하고 상기 적어도 하나의 소재 모델을 종합하여 상기 최적의 앙상블을 출력하도록 상기 해당 물성학습모델을 설계하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제13항에 있어서, 상기 GA 처리단계는
소재 데이터베이스에서 상기 목표물성에 따른 임의의 소재를 전역적으로 선택하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제19항에 있어서, 상기 GA 처리단계는
상기 임의의 소재의 조합, 함량 및 결합구조 중 적어도 하나에 대한 변형을 통한 돌연변이를 생성하여 상기 복수의 중간 합성물들을 생성하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제20항에 있어서, 상기 GA 처리단계는
상기 단계별 평가가 만족될 때까지 상기 돌연변이의 생성을 반복하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제13항에 있어서, 상기 합성물 생성단계는
각 단계마다 해당 중간 합성물이 해당 물성학습모델을 통해 출력된 최적의 앙상블에 부합하는지 여부를 평가하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제22항에 있어서, 상기 합성물 생성단계는
상기 목표물성이 복수인 경우 상기 목표물성의 우선순위에 따라 상기 각 단계에서 적용되는 상기 최적의 앙상블을 결정하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 제13항에 있어서,
합성물 시각화부를 통해, 상기 최종의 다중물성 합성물에 관한 시각화를 제공하는 합성물 시각화단계;를 더 포함하는 것을 특징으로 하는 인공지능 기반의 다중물성 합성 예측 방법.
- 복수의 물성들을 선별하여 목표물성을 설정하는 단계;
물성학습모델의 구축 과정을 각 물성 별로 독립적으로 처리하는 병렬 학습모듈을 통해 상충 관계의 물성들을 포함한 상기 복수의 물성들에 대한 복수의 물성학습모델들을 각각 생성하여 상기 복수의 물성학습모델들을 병렬적으로 구축하는 단계;
상기 목표물성을 기초로 GA (Genetic Algorithm) 기반의 전역탐색을 수행하여 복수의 중간 합성물들을 생성하는 단계; 및
상기 복수의 물성학습모델들 각각으로 상기 복수의 중간 합성물들 각각에 관한 단계별 평가를 수행하여 최종의 다중물성 합성물을 생성하고, 상기 단계별 평가는 각 중간 합성물이 상기 목표물성의 물성들에 관한 우선순위에 따라 이전 물성의 극대화 조건 하에서 현재 물성의 극대화 조건을 충족하는지를 검사함으로써 수행되는 단계;를 포함하는 인공지능 기반의 다중물성 합성 예측 방법을 실행하는 컴퓨터 프로그램을 기록한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220021602A KR102696205B1 (ko) | 2022-02-18 | 2022-02-18 | 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220021602A KR102696205B1 (ko) | 2022-02-18 | 2022-02-18 | 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230124368A KR20230124368A (ko) | 2023-08-25 |
| KR102696205B1 true KR102696205B1 (ko) | 2024-08-20 |
Family
ID=87847008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220021602A KR102696205B1 (ko) | 2022-02-18 | 2022-02-18 | 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102696205B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021196710A (ja) | 2020-06-10 | 2021-12-27 | 昭和電工株式会社 | 物性予測装置、物性予測方法及び製造方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102523472B1 (ko) * | 2016-08-01 | 2023-04-18 | 삼성전자주식회사 | 신규 물질의 구조 생성 방법 및 장치 |
| JPWO2019048965A1 (ja) * | 2017-09-06 | 2020-10-22 | 株式会社半導体エネルギー研究所 | 物性予測方法および物性予測システム |
| KR102214634B1 (ko) * | 2018-10-22 | 2021-02-10 | 한국화학연구원 | 인공지능 기반 물성예측 시스템 |
| KR102288059B1 (ko) * | 2018-10-31 | 2021-08-10 | 주식회사 인실리코 | 인공지능을 활용한 소재 조성 추천 방법 및 이를 이용한 소재 조성 추천 장치 |
| KR102198677B1 (ko) | 2018-12-12 | 2021-01-05 | 포항공과대학교 산학협력단 | 전산모사 기법을 활용한 고엔트로피 합금의 설계방법 |
| KR102275046B1 (ko) * | 2019-12-24 | 2021-07-08 | 한국화학연구원 | 소재의 조성-공정에 대한 특성선택 알고리즘을 적용한 물성예측 인공지능 모델 생성 장치 및 그 생성 방법 |
-
2022
- 2022-02-18 KR KR1020220021602A patent/KR102696205B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021196710A (ja) | 2020-06-10 | 2021-12-27 | 昭和電工株式会社 | 物性予測装置、物性予測方法及び製造方法 |
Non-Patent Citations (1)
| Title |
|---|
| Shen, Chunguang, et al. Physical metallurgy-guided machine learning and artificial intelligent design of ultrahigh-strength stainless steel. Acta Materialia 179. 2019.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230124368A (ko) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fang et al. | Machine learning accelerates the materials discovery | |
| Zhao et al. | Machine learning-assisted discovery of strong and conductive Cu alloys: Data mining from discarded experiments and physical features | |
| Li et al. | Machine learning-assisted low-dimensional electrocatalysts design for hydrogen evolution reaction | |
| Kang et al. | Recent progress on discovery and properties prediction of energy materials: Simple machine learning meets complex quantum chemistry | |
| Chen et al. | Effective design space exploration of gradient nanostructured materials using active learning based surrogate models | |
| Zhu et al. | Phase formation prediction of high-entropy alloys: a deep learning study | |
| Ahmadian et al. | Predicting crystallite size of Mg-Ti-SiC nanocomposites using an adaptive neuro-fuzzy inference system model modified by termite life cycle optimizer | |
| Hajilounezhad et al. | Predicting carbon nanotube forest attributes and mechanical properties using simulated images and deep learning | |
| Puchi-Cabrera et al. | Machine learning aided nanoindentation: A review of the current state and future perspectives | |
| Abuomar et al. | Data mining and knowledge discovery in materials science and engineering: A polymer nanocomposites case study | |
| Abdellahi et al. | Optimization of process parameters to maximize hardness of metal/ceramic nanocomposites produced by high energy ball milling | |
| Jain et al. | Application of machine learning in determining the mechanical properties of materials | |
| Malakar et al. | Data-driven machine learning to predict mechanical properties of monolayer transition-metal dichalcogenides for applications in flexible electronics | |
| Xiang et al. | Physics-constrained automatic feature engineering for predictive modeling in materials science | |
| Košmerl et al. | Predicting stress–strain behavior of carbon nanotubes using neural networks | |
| KR102696205B1 (ko) | 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 | |
| Yu et al. | Better utilization of materials’ compositions for predicting their properties: Material composition visualization network | |
| DeMille et al. | Convolutional neural networks for expediting the determination of minimum volume requirements for studies of microstructurally small cracks, Part I: Model implementation and predictions | |
| Gao et al. | Data-driven machine learning for alloy research: recent applications and prospects | |
| Johnson et al. | Machine Learning for Materials Developments in Metals Additive Manufacturing | |
| Niketh et al. | Enhancing high-entropy alloy performance: Predictive modelling of wear rates with machine learning | |
| Indeck et al. | Understanding slip activity and void initiation in metals using machine learning-based microscopy analysis | |
| Wei et al. | High-cycle fatigue SN curve prediction of steels based on a transfer learning-guided convolutional neural network | |
| Li et al. | Optimization-free inverse design of high-dimensional nanoparticle electrocatalysts using multi-target machine learning | |
| CN116341351A (zh) | 基于深度学习的金属基复合材料参数设计方法、设备与介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |