Atom mapping problem of chemical reaction has wide application in fields such as chemical reaction prediction, retrosynthesis, data construction, and mechanism simulation. In order to effectively map a large amount of chemical reaction data, fast information processing based on computational method is needed, rather than conventional experimental methods. In this thesis, we demonstrate that development of a machine learning model LocalMapper. LocalMapper train on organic chemical reactions based on graph artificial neural networks and attention artificial neural networks. LocalMapper perform accurate atomic mapping with only small amount of data by applying active learning method to reduce the amount of machine learning information processing and to make effective predictions for a very large amount of test chemical reactions. LocalMapper can provide the missing link between chemical reaction data and any further application with predicted accurate atom mapping.
화학 반응의 원자 매핑은 화학반응 예측, 역반응 예측이나 데이터화 그리고 매커니즘 시뮬레이션 등의 분야에 다양하게 활용된다. 아주 많은 양의 화학 반응 데이터에 대해 효과적으로 매핑을 진행하기 위하여는 실험적 방법이 아닌 컴퓨팅을 기반으로 한 빠른 정보처리가 중요하다. 본 학위논문에서는 그래프 인공신경망과 어텐션 인공신경망을 기반으로 유기화학 반응의 매핑하기 위한 머신러닝 모델 개발을 소개한다. 해당 모델은 머신러닝 학습 정보 처리량을 줄이고, 아주 많은 양의 테스트 화학 반응에 대해 효과적인 예측을 할 수 있도록 능동적 학습 방법을 적용시켜 소량의 데이터로 높은 정확도의 원자 매핑을 진행할 수 있다.
