Reaction mechanism is a key concept in chemistry. Chemists elucidate reaction mechanisms to gain new chemical insights, eventually contributing to solving various related problems, including chemistry, industry, biology, environment, and so on. In order to minimize human effort in reaction pathway exploration, automated reaction exploration methods have been developed for decades, which can explore numerous reaction pathways, leaning on their high computational power. Among several methods, graph-theoretic methods have emerged as one of popular ones. There have bee a number of studies using these methods for reaction mechanism exploration. However, there are still many things to be improved, especially in terms of efficiency. In this thesis, we present several works contributing to improve this efficiency, in particular focusing on the automated transition state (TS) search through some development of robust algorithms to facilitate TS search and the application of machine learning to accelerate reaction exploration.
반응 메커니즘은 화학에 있어서 핵심적인 개념이다. 화학자들은 반응 메커니즘을 규명하여 새로운 화학적 직관을 얻어 궁극적으로 화학, 산업, 생화학, 환경 등 다양한 관련 문제를 해결하는데 기여한다. 반응 경로 탐색에 있어 인간의 노고를 최소화하기 위해 수십 년 동안 높은 계산 능력을 바탕으로 수많은 반응 경로를 탐색할 수 있는 자동화된 반응 탐색 방법이 개발되어져 왔다. 그 중에서도, 그래프-이론 기반 방법이 널리 사용되는 방법 중 하나로 부상하고 있다. 이 방법들을 활용한 여러 화학 반응 경로 탐색 관련 연구들이 진행되어져 왔다. 그러나, 이 방법들은 여전히 효율성 측면에서 개선해야될 점이 많이 있다. 본 학위 논문에서는 우리는 이 효율성 향상에 기여한 몇 가지 연구, 특히 전이 상태 탐색을 용이하게 하는 강력한 알고리즘 개발을 통한 자동화된 전이 상태 탐색과 반응 탐색을 가속화하기 위한 머신 러닝의 적용을 중심적으로, 우리가 수행한 여러 가지 일들을 소개하고자 한다.