Core Concepts
화학 결합 기반 기계 학습 모델을 사용하여 액체 프로필렌 글리콜(PG) 및 폴리프로필렌 글리콜(PPG)의 유전 특성을 정확하게 예측하고, 이 모델의 전이 가능성을 검증했습니다.
Abstract
화학 결합 기반 기계 학습 모델을 이용한 액체 PG 및 PPG의 유전 특성 연구 및 전이 가능성 검증
본 연구는 최근 개발된 화학 결합 기반 기계 학습(ML) 쌍극자 모멘트 모델을 사용하여 액체 프로필렌 글리콜(PG) 및 폴리프로필렌 글리콜(PPG)의 유전 특성을 연구하고, 이 모델의 전이 가능성을 검증하는 것을 목표로 합니다.
밀도 함수 이론(DFT) 계산을 통해 얻은 데이터를 기반으로 PG 및 PG2(디프로필렌 글리콜)에 대한 ML 퍼텐셜 및 쌍극자 모멘트 모델을 학습했습니다.
훈련된 ML 모델을 사용하여 최대 20ns까지의 DPMD(Deep Potential Molecular Dynamics) 시뮬레이션을 수행하고, 이를 통해 PG 및 PPG의 유전 함수를 계산했습니다.
PG2에서 학습된 모델을 사용하여 더 긴 사슬 길이를 갖는 PPG(PG3, PG4, PG6, PG8, PG12)의 쌍극자 모멘트 및 유전 특성을 예측하고 DFT 계산 결과와 비교하여 모델의 전이 가능성을 평가했습니다.