With the recent increase in demand for renewable and sustainable energy resources, material development has become increasingly important. In traditional approach, a candidate material is specified first using intuition or by slightly changing the existing materials. Furthermore, as various material databases have been accumulated with the development of computational science, studies have been proposed to discover new materials by exploring the database directly. In addition, inverse design techniques have been presented to design materials with desired properties by leveraging structure-property relation through machine learning. From this point of view, this dissertation seeks to propose an method for inorganic crystal design utilizing various inverse design techniques. In particular, we shown the machine learning-driven high-throughput screening framework (augmented with the uncertainty quantification) can be effectively used to accelerated materials design. Also, we demonstrate that the generative framework can effectively used to explore entirely new chemical space. Lastly, we proposed an novel generative framework for exploration of synthesizable molecular chemical space.
최근 신재생 및 지속가능한 에너지 자원에 대한 수요가 증가함에 따라, 소재 개발의 중요성은 높아져 가고 있다. 기존의 신소재 발견은 특정 분야 전문가의 직관에 따른 발견 및 최적화를 통해 진행되었다. 또한, 계산과학의 발달로 인해 다양한 소재 데이터베이스가 확보됨에 따라, 데이터 베이스를 직접 탐색하여 신소재를 발견하는 연구들이 진행되어 왔다. 최근에는 소재와 물성 간의 상관관계를 기계학습을 통해 학습하여 원하는 물성을 가진 소재를 역으로 설계할 수 있는 역설계 기법이 제시되었으며, 소재 설계의 새로운 패러다임으로 제시되었다. 이러한 관점에서 본 연구에서는 다양한 소재 역설계 기법을 활용한 무기 결정 구조 설계 응용 방법을 보이고자 한다. 특히, 기계학습 기반의 (불확실성 정량화가 포함된) 대규모 스크리닝 방법의 소재 설계에 효과적으로 적용할 수 있음을 보였다. 또한, 생성모델 기반의 역설계 모델을 통해 아직 탐색되지 않은 새로운 영역을 효과적으로 탐색할 수 있음을 보였다. 나아가 합성가능한 분자 공간을 탐색할 수 있는 새로운 생성모델에 대해서 제시하였다.