MS 정보학
재료 과학 분야를 위한 자동화된 머신러닝 도구
개요
머신러닝 MS Informatics는 유기 화합물, 유기금속 화합물, 고분자, 화학 혼합물(즉,, 제형) 및 무기 고체 물질에 대한 분자 특징 추출 및 기계 학습(xml-ph-0000@deepl.internal, ML) 도구를 제공하여, 데이터 기반 접근 방식을 통해 신소재 설계를 지원합니다. 물리 기반 특징 추출, 맞춤형 사전 학습된 ML 모델, 그리고 ML 모델의 훈련 및 평가를 위한 자동화된 워크플로를 결합함으로써, 사용자는 계산 효율이 높은 데이터 기반 접근 방식을 활용하여 유망한 소재를 선별하고 후보를 좁힐 수 있습니다.
주요 역량
유기 분자, 고분자, 제형 등을 대상으로 계산 효율이 높은 ‘ 머신러닝 ’ 모델을 활용하여 정확한 물질-성질 관계를 구축하십시오.
케미인포매틱스, 반경험적 접근법, 양자역학(QM), 분자 동역학( 분자동역학 , MD), MPNICE 임베딩을 활용하여 유기, 무기 및 고분자 소재에 대한 첨단 물리 기반 구조-성질 관계( 표현자 )를 통해 모델의 예측 정확도를 향상시킵니다.
사전 훈련된 ML 모델을 사용하여 고분자의 분자량( 유리 전이 온도), 점도, 밀도, 비수성 용매에서의 분자 분산도( 용해도 ), 무기 고체의 물성, 그리고 분자의 다양한 광전자적 특성에 대한 즉각적인 예측을 수행합니다.
직관적인 GUI를 통해 상호작용하며, Schrödinger의 범용 ‘ 머신러닝 ’ 힘장(MPNICE)을 사용하여 주기적 및 기체phase 시스템 모두에 대해 단일 점 및 기하학적 최적화를 수행할 수 있습니다.
다양한 특성을 예측하기 위한 사전 학습된 머신러닝 모델이 포함되어 있습니다.
유기 화합물 및 유기금속 화합물의 비등점과 증기압
유리 전이 온도 고분자의
주파수 의존성 고분자 유전율 및 유전 손실
소분자의 밀도
소분자의 점도
유기 분자의 수용성 용해도
비수성 용해도
융점
HOMO/LUMO
광전자적 특성
흡수 및 방출 피크 위치와 대역폭 (FWHM)
소멸 계수
방출 수명, 피크 위치 및 대역폭
광발광 양자 수율 (PLQY)
트리플릿 에너지 (S0-T1)
싱글릿-트리플릿 에너지 갭 (S1-T1)
산화 및 환원 전위
정공, 전자 및 트리플릿 재구성 에너지
고체 상태의 특성
형성 에너지
껍질 위 에너지
밴드 갭
부피 탄성 계수
전단 탄성 계수
사례 연구 및 웨비나
Schrödinger 기술이 실제 연구 과제를 해결하는 데 어떻게 활용되고 있는지 알아보세요.
문서 및 튜토리얼
Schrödinger의 소프트웨어 사용과 관련된 자주 묻는 질문에 대한 답변을 확인하고, 모범 사례를 알아보세요.
관련 상품
연구 프로젝트를 발전시키는 데 활용할 수 있는 관련 컴퓨팅 기술에 대해 자세히 알아보세요.
간행물
관련 응용 분야에서 ‘ Schrödinger ’ 기술을 활용한 동료 심사를 거친 논문 목록을 살펴보세요.
교육 및 자료
온라인 자격증 과정
실습 중심의 온라인 ‘ 분자모델링 ’ 과정을 통해 여러분의 역량을 한 단계 높여보세요. 이 자기 주도형 과정은 다양한 과학 주제를 다루며, ‘ Schrödinger ’ 소프트웨어 이용 권한과 지원 서비스가 포함되어 있습니다.
튜토리얼
프로젝트의 성공을 위해 ‘ Schrödinger ’ 소프트웨어의 기술과 모범 사례를 활용하는 방법을 알아보세요. 교육 자료, 튜토리얼, 빠른 시작 가이드, 동영상 등을 확인해 보세요.
기타 리소스