밀도 함수 이론(DFT) 및 분자 동역학( 분자동역학 , MD)과 같은 물리 기반 접근법을 활용한 재료 특성 시뮬레이션은 오랫동안 구조-특성 관계에 대한 통찰력을 제공하고, 이를 통해 신소재 설계에 기여해 왔습니다. 최근 몇 년간 AI/기계 학습(머신러닝 , ML)은 물리 기반 모델링 기법과 결합되어 재료 혁신을 크게 가속화하는 데 광범위하게 활용되고 있습니다. 물리 기반 모델링의 정확성과 일반화 능력은 AI/ML 모델의 성능을 향상시키고, 데이터가 부족한 상황에서도 이를 효과적으로 활용할 수 있게 해줍니다. 반대로, AI/ML의 속도와 유연성은 물리 기반 모델의 시간적·공간적 규모 한계를 극복하는 데 도움을 주어, 예측 정확도와 계산 효율성을 모두 최적화하는 시너지 효과를 창출합니다.

이번 웨비나에서는 배터리 전해액과 연료 혼합물부터 열가소성 수지 및 OLED 소자에 이르기까지, 다양한 재료 과학 응용 분야에서 이 통합적 접근 방식을 소재 및 제형 설계에 적용하는 방법을 시연합니다.

주요 학습 목표:

• DFT (표현자 )가 광전자 분자 및 배터리 전해질에 대한 AI/ML 모델의 정확도를 어떻게 향상시키는지 알아보세요.
• MD 시뮬레이션 표현자 이 유기 분자의 점도에 대한 AI/ML 모델을 어떻게 개선하는지 알아보세요.
• Schrödinger의 자동화된 제형 개발 솔루션 머신러닝 을 활용하여 다음을 수행해 보십시오:
  • 이진 용매 내 API의 용해도 를 위한 AI/ML 모델 훈련
  • 탄화수소의 모터 옥탄수를 예측하라
• AI/ML 기반 힘장 기술(QRNN)의 발전 현황과 무기 음극 코팅 재료의 체적 특성 모델링에 대한 적용 사례를 알아보세요.