| 000 | 00000nam c2200205 c 4500 | |
| 001 | 000046132278 | |
| 005 | 20221031095614 | |
| 007 | ta | |
| 008 | 220627s2022 ulkad bmAC 000c eng | |
| 040 | ▼a 211009 ▼c 211009 ▼d 211009 | |
| 041 | 0 | ▼a eng ▼b kor |
| 085 | 0 | ▼a 0510 ▼2 KDCP |
| 090 | ▼a 0510 ▼b 6D5 ▼c 1230 | |
| 100 | 1 | ▼a 황선유, ▼g 黃善裕 |
| 245 | 1 0 | ▼a Group contribution based graph convolution network : ▼b pure property estimation model / ▼d Sun Yoo Hwang |
| 260 | ▼a Seoul : ▼b Graduate School, Korea University, ▼c 2022 | |
| 300 | ▼a viii, 48장 : ▼b 삽화, 도표 ; ▼c 26 cm | |
| 500 | ▼a 지도교수: 강정원 | |
| 502 | 0 | ▼a 학위논문(석사)-- ▼b 고려대학교 대학원: ▼c 화공생명공학과, ▼d 2022. 8 |
| 504 | ▼a 참고문헌: 장 46-48 | |
| 530 | ▼a PDF 파일로도 이용가능; ▼c Requires PDF file reader(application/pdf) | |
| 653 | ▼a 분자모사 ▼a 딥러닝 ▼a 물성 예측 ▼a 열역학 | |
| 776 | 0 | ▼t Group Contribution Based Graph Convolution Network ▼w (DCOLL211009)000000268943 |
| 900 | 1 0 | ▼a Hwang, Sunyoo, ▼e 저 |
| 900 | 1 0 | ▼a 강정원, ▼g 姜晸遠, ▼e 지도교수 |
| 945 | ▼a ITMT |
전자정보
소장정보
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 과학도서관/학위논문서고/ | 청구기호 0510 6D5 1230 | 등록번호 123069520 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. 2 | 소장처 과학도서관/학위논문서고/ | 청구기호 0510 6D5 1230 | 등록번호 123069521 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
컨텐츠정보
초록
순수 물질의 물성 데이터는 공정 설계 및 화학 공정 운영에 필수적이다. 이러한 데이터는 수요에 비해 문헌에서 제공되는 양이 매우 부족하다. 직접적인 실험에 많은 장애가 있는 경우가 많아, 데이터가 없을 시 예측 방법을 주로 사용합니다. 이중에 그룹 기여 방식은 오늘날까지 널리 사용되는 예측 방법 중 하나이다. 이 추정 방법은 빠르고 편리하게 사용할 수 있으나 지나치게 단순화 된 분자 구조 표현법으로 인해 많은 한계점을 가지고 있다. 시간이 흐름에 따라, 분자 구조 표현법과 실험 데이터 처리에 대해 인공 신경망을 활용한 기법이 연구되었다. 하지만 이러한 기법은 많은 매개 변수를 요구하기에, 유효한 데이터 적은 열역학 에서는 많은 어려움을 겪고있다. 이번 연구에서, 우리는 복잡한 기계 학습 알고리즘과 그룹 기여 방법을 혼합한 절충 모델을 제시하였다. 우리는 분자그래프합성신경망을 이용하는 대신 그룹 기여 방법에서 착안한 그래프를 사용하였다. 이러한 새로운 접근 방식으로 매개 변수를 효과적으로 줄이는데 성공하였다. 또한 연결성 고려로 인해 기존 연구된 예측 모델보다 높은 예측 정확도를 확인할 수 있었다. 또한 데이터 내 이상점 검출 결과를 통해 모델의 견고성과 과적합 여부를 확인할 수 있었다.
목차
1. Introduction 1 2. Background Theory 3 2.1. Group Contribution Method 3 2.2. Artificaial Neural Network 5 2.3. Graph Convolution Neural Network 6 3. Methodology 8 3.1. Group Contributino Graph Convolution Network 8 3.2. Uncertainty Consideration 13 3.3. Datasets 14 3.4. Model Training and Evaluation 16 4. Result and Descusion 19 4.1. Comparision of Estimated Result 19 4.2. Isomer Discrimination 32 4.3. Robust Fitness 37 4.5. Reducement of Parameters 40 4.5. Outliers Detection 42 5. Conclusion 45 6. Reference 46
